abc360605383的博客

Demo实践首先我们利用sklearn直接调用 SVM函数进行实践尝试## 基础函数库import numpy as np ## 导入画图库import matplotlib.pyplot as pltimport seaborn as sns## 导入逻辑回归模型函数from sklearn import svm##Demo演示LogisticRegression分类## 构造数据集x_fearures = np.array([[-1, -2], [-2, -1]

决策树决策树是一种树型结构的机器学习算法,它每个节点验证数据一个属性,根据该属性进行分割数据,将数据分布到不同的分支上,直到叶子节点,叶子结点上表示该样本的label. 每一条从根节点到叶子节点的路径表示分类[回归]的规则.sklearn中的决策树简单实践import numpy as npimport matplotlib.pyplot as pltfrom sklearn.datasets import load_iris, load_bostonfrom sklearn impor

目录逻辑回归与线性回归的联系和区别逻辑回归与线性回归的联系和区别线性回归解决的是连续变量问题，那么在分类任务中可以用线性回归吗？答案是可以，但效果不好。 如何用线性回归来解决分类问题，其分类的阈值选取影响非常大，且当数据不平衡时，也影响效果。逻辑回归原理简介-sigmoid函数当z≥0时,y≥0.5,分类为1，当z<0时,y<0.5,分类为0，其对应的y值我们可以视为类别1的概率预测值。Logistic回归虽然名字里带“回归”，但是它实际上是一种分类方法，主要用于两...

文章目录1.机器学习综述2.机器学习的发展3.机器学习分类4.机器学习模型5.机器学习损失函数6.机器学习优化方法7.机器学习的评价指标8. 机器学习模型选择9.机器学习参数调优1.机器学习综述机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，是使计算机具有智能的根本途径.2.机器学习的发展见百度百科的发展历程3.机器学习分类

word2vec 和 glove 基本上都是基于word单词作为基本单位的，这种方式虽然能够很好的对词库中每一个词进行向量表示，然而，这种方式容易出现单词不存在于词汇库中的情况，也就是 OOV(out-of-vocabulary),而且对于单词的一些词法上的修饰(morphology)处理的也不是很好。一个自然的想法就是能够利用比word更基本的组成来建立模型，以更好的解决这些问题。本节思考采用 n-gram 思想训练 word vector 模型，也就是 FastText。Character-L..