🔥 预测任务索引帖
待完善
#refplus, #refplus li{
padding:0;
margin:0;
list-style:none;
}；
document.querySelectorAll(".refplus-num").forEach((ref) => {
let refid = ref.firstChild.href.replace(location.origin+location.pathname,'');
let refel = document.querySelector(refid);
let refnum = refel.dataset.num;
let ref_content = refel.innerText.replace(`[${refnum}]`,'');
tippy(ref, {
content: ref_content,
...
神经网络索引帖
#refplus, #refplus li{
padding:0;
margin:0;
list-style:none;
}；
document.querySelectorAll(".refplus-num").forEach((ref) => {
let refid = ref.firstChild.href.replace(location.origin+location.pathname,'');
let refel = document.querySelector(refid);
let refnum = refel.dataset.num;
let ref_content = refel.innerText.replace(`[${refnum}]`,'');
tippy(ref, {
content: ref_content,
...
非独立同分布索引帖
#refplus, #refplus li{
padding:0;
margin:0;
list-style:none;
}；
document.querySelectorAll(".refplus-num").forEach((ref) => {
let refid = ref.firstChild.href.replace(location.origin+location.pathname,'');
let refel = document.querySelector(refid);
let refnum = refel.dataset.num;
let ref_content = refel.innerText.replace(`[${refnum}]`,'');
tippy(ref, {
content: ref_content,
...
非独立同分布索引帖
#refplus, #refplus li{
padding:0;
margin:0;
list-style:none;
}；
document.querySelectorAll(".refplus-num").forEach((ref) => {
let refid = ref.firstChild.href.replace(location.origin+location.pathname,'');
let refel = document.querySelector(refid);
let refnum = refel.dataset.num;
let ref_content = refel.innerText.replace(`[${refnum}]`,'');
tippy(ref, {
content: ref_content,
...
模型选择与平均索引帖
#refplus, #refplus li{
padding:0;
margin:0;
list-style:none;
}；
document.querySelectorAll(".refplus-num").forEach((ref) => {
let refid = ref.firstChild.href.replace(location.origin+location.pathname,'');
let refel = document.querySelector(refid);
let refnum = refel.dataset.num;
let ref_content = refel.innerText.replace(`[${refnum}]`,'');
tippy(ref, {
content: ref_content,
...
非参数模型索引帖
【摘要】非参数模型并不是指模型没有参数，而是指模型中没有固定数量的参数，所以称之为无固定数量参数模型更为准确一些。传统的非参数模型主要包括以下三种类型：基于样本实例的模型（如 KNN 等）、基于核函数的模型（如：高斯过程、支持向量机）、基于决策树的模型（如：分类树、回归树、随机森林等），本文讲对它们进行概览。关于各种模型的细节，参加下面的相关链接。
【相关链接】
基于实例的方法：
KNN 算法
距离度量方法
KDE 算法
基于核函数的方法：
高斯过程
支持向量机
基于决策树的方法：
分类树
回归树
随机森林
p{text-indent:2em;2}
1 非参数模型概述
#refplus, #refplus li{
padding:0;
margin:0;
list-style:none;
}；
document.querySelectorAll(".refplus-num").forEach((ref) => {
let ...
🔥 广义线性模型索引帖
待补充
#refplus, #refplus li{
padding:0;
margin:0;
list-style:none;
}；
document.querySelectorAll(".refplus-num").forEach((ref) => {
let refid = ref.firstChild.href.replace(location.origin+location.pathname,'');
let refel = document.querySelector(refid);
let refnum = refel.dataset.num;
let ref_content = refel.innerText.replace(`[${refnum}]`,'');
tippy(ref, {
content: ref_content,
...
预测模型概览
基于该评分规则的最小化负对数损失 （ NLL\text{NLL}NLL ）方法，应该会产生良好校准的输出类概率。但在实践中，对数损失往往会过分强调概率分布的尾部。
一、问题提出
绝大多数机器学习都比较关注解决一个单纯的问题：从标记训练集 D={(xn,yn),n=1:N}\mathcal{D} = \{(\boldsymbol{x}_n, \boldsymbol{y}_n), n = 1:N\}D={(xn,yn),n=1:N} 中学习得到某个函数 fff，使其能够从未来的新输入 x\boldsymbol{x}x 中预测输出 y\boldsymbol{y}y。 其中，xn∈X⊆RD\boldsymbol{x}_n \in \mathcal{X} \subseteq \mathbb{R}^Dxn∈X⊆RD, yn∈Y⊆RC\boldsymbol{y}_n \in \mathcal{Y} \subseteq \mathbb{R}^Cyn∈Y⊆RC 。
我们可以使用形式为 p(y∣f(x))p(\boldsymbol{y}|f(\boldsymbol{x}) ...
弱监督之不完全学习任务 -- 半监督学习概述
Semi-supervised Learning
Semi-supervised Learning 是 半监督学习 的意思。他是指用于训练的数据有一部分是有标签的，一部分数据是无标签的，同时使用这两部分数据进行学习。你可能会有一些疑问，为什么要使用没有标签的数据？没有标签的数据怎么能用来训练？对于第一个问题，是因为现在的机器学习方法大多都是数据驱动的方法，数据的量很大程度上会决定我们训练出的模型的好坏，但是提升数据量又是件不容易的事情，但是需要注意的是获取大量数据其实不难，难的是获取大量有标签的数据。比如图片分类的问题，我们现在有大量的摄像头安装在各种设备上，让他们不停的拍就能得到大量的图片，这是件很容易的事。所以如果这些无标签的数据也能对训练模型产生帮助，那么将是很好的，所以这就是半监督学习存在的意义。但是并不是所有问题都是能够通过使用一些无标签数据来提升有标签数据训练出的模型的，这就来到了第二个问题，没有标签的数据对训练模型有啥用？让我们来看下图这个例子，蓝色的点是标签为猫的数据，橙色是标签为狗的，如果只用有便签数据我们可能训练出的决策边界是竖着的那条红线。但是如果考虑 ...
➃ 系统化掌握集成学习方法
系统化掌握集成学习
1. 简单的集成学习方法
平均法
加权平均法
最大投票法
2. 二次采样方法与统计机器学习基础
3. Bagging 方法 – 等权重的装袋法
Bootstrap Aggregation
4. Random Forest 随机森林法 –
5. Boosting 方法 – 权重逐步增大的提升法
6. Stacking 方法 – 学习最优的模型组合
7. 应用案例
同质分类器的集成学习 – 以手写数字识别为例
异质分类器的集成学习 – 以信用卡违约预测为例
异质分类器的集成学习 – 以垃圾邮件为例
异质分类器的集成学习 – 以电影评论情感分析为例
同质分类器的集成学习 – 以时尚产品分类为例
#refplus, #refplus li{
padding:0;
margin:0;
list-style:none;
}；
document.querySelectorAll(".refplus-num").forEach((ref) => ...