机器学习
-
【机器学习】李宏毅——Explainable ML(可解释性的机器学习)
本文介绍了Explainable ML(可解释性的机器学习)的相关内容，抱愧这项技术的相关概述、当前发展等等。 在前面的学习之中，我们已经学习了很多的模型，它能够针对特定的任务，接受我们的输入并产生目标的输出。但我们并不满足于此，我们甚至希望机器告诉我们，它是如何得到这个答案的，而这就是可解释的机器学习。 Why we need Explainable ML…
-
【机器学习基础】集成学习回顾及总结
之前有将集成学习中的随机森林、GBDT、XGBoost等算法进行一一介绍，明白了每个算法的大概原理，最近复习了一下李宏毅老师的集成学习的课程，忽然对集成有了更清晰的认识，这里做一个回顾和总结。 集成学习回顾及总结 集成学习从直观的意思来说，就是合众人之力来解决一个问题，而每个人所起的作用又不相同，最终把大家的力量进行“集成”，从而得到更优的方案。 在前面线性…
-
机器学习之路： tensorflow 自定义 损失函数
git: https://github.com/linyi0604/MachineLearning/tree/master/07_tensorflow/ 1 import tensorflow as tf 2 from numpy.random import RandomState 3 4 ”’ 5 模拟一个回归案例 6 自定义一个损失函数为: …
-
【网易】2018秋招笔试（机器学习算法岗）
1. 魔法币 DESCRIPTION 小易准备去魔法王国采购魔法神器,购买魔法神器需要使用魔法币,但是小易现在一枚魔法币都没有,但是小易有两台魔法机器可以通过投入x(x可以为0)个魔法币产生更多的魔法币。魔法机器1:如果投入x个魔法币,魔法机器会将其变为2x+1个魔法币魔法机器2:如果投入x个魔法币,魔法机器会将其变为2x+2个魔法币小易采购魔法神器总共需要…
-
机器学习面试问题6
以下内容接机器学习面试问题5. 神经网络参数相关 参数的范围 目前还没有明确的参数范围，只有个人总结性的原则。如下： 网络参数确定原则： ①、网络节点 网络输入层神经元节点数就是系统的特征因子(自变量)个数，输出层神经元节点数就是系统目标个数。隐层节点选按经验选取，一般设为输入层节点数的75%。如果输入层有7个节点，输出层1个节点，那么隐含层可暂设为5个节点…
-
机器学习 —— 概率图模型（Homework: Exact Inference）
在前三周的作业中，我构造了概率图模型并调用第三方的求解器对器进行了求解，最终获得了每个随机变量的分布（有向图），最大后验分布（双向图）。本周作业的主要内容就是自行编写概率图模型的求解器。实际上，从根本上来说求解器并不是必要的。其作用只是求取边缘分布或者MAP，在得到联合CPD后，寻找联合CPD的最大值即可获得MAP，对每个变量进行边缘分布求取即可获得边缘…
-
机器学习之分类回归树(python实现CART)
之前有文章介绍过决策树（ID3）。简单回顾一下：ID3每次选取最佳特征来分割数据，这个最佳特征的判断原则是通过信息增益来实现的。按照某种特征切分数据后，该特征在以后切分数据集时就不再使用，因此存在切分过于迅速的问题。ID3算法还不能处理连续性特征。下面简单介绍一下其他算法： CART 分类回归树 CART是Classification And Regerss…
-
机器学习性能评估指标
因为接触到机器学习的部分知识，不是很懂。以下内容来自知乎，作为笔记留存。 作者原文博客：http://charleshm.github.io/2016/03/Model-Performance/ 作者：Charles Xiao 链接：https://www.zhihu.com/question/19645541/answer/91694636 …
-
Machine Learning 之一，什么是机器学习。
Machine Learning 机器学习，什么是机器学习。我觉得尚学堂的培训老师讲的很不错，就是两个字来介绍。——拟人。 就是模拟人类的思维方式。 老师举的例子： 和女朋友约会，第一次约会，约定是晚上七点到，但是女朋友7点十分才到。 第二次，约会，约定也是晚上七点到，但是女朋友还是7点十分才到。 那么第三次呢，这位男同志就可能会通过前两次约会的经…
-
机器学习之主成分分析(PCA&特征选择)
特征选择 特征选择对于数据科学家、机器学习从业者来说非常重要。好的特征选择能够提升模型的性能，更能帮助我们理解数据的特点、底层结构，这对进一步改善模型、算法都有着重要作用。 特征选择主要有两个功能： (1)减少特征数量、降维，使模型泛化能力更强，减少过拟合 (2)增强对特征和特征值之间的理解 拿到数据集，一个特征选择方法，往往很难同时完成这两个目的。…
