机器学习
关注
分享
扫一扫
文章平均质量分 71
Lesley dude
信仰
展开
专栏收录文章
- 默认排序
- 最新发布
- 最早发布
- 最多阅读
- 最少阅读
-
［机器学习］对hypothesis的评价方式
机器学习算法的主要用途之一就是 预测。通常，使用机器学习算法的流程是question 》data 》feature 》 algorithm 》 hypothesis 》 evaluation当数据通过 算法训练得到一个hypothesis之后，我们要用这个hypothesis对新的数据进行预测，那么在此之前，我们先要对这个hypothesis进行评估，判断它是否是一个好的h原创 2015-03-22 18:01:11 · 2566 阅读 · 0 评论 -
［机器学习］如何选择模型－－cross validation
对于一个机器学习系统，有以下几个问题需要解决：1，如何选择feature？2，该选用哪个算法？3，给这个算法设置怎样的参数？这些问题合在一起，就是“如何选择模型”的问题。例如：可以实现分类系统的算法有 one－vs－all logistic regression，neural network，SVM等等，我们该用哪一个。要解决个这个问题，我们就要用不同的组合原创 2015-03-23 16:50:42 · 3963 阅读 · 0 评论 -
［机器学习］k-means算法，非监督机器学习算法
本文内容算是 Andrew Ng 《机器学习》公开课的笔记监督机器学习算法中的分类算法，都是告诉你 label （分类标签） ，然后让你找条直线（以2类为例）把这些 样本分开，如下图：本文图片截取自Andrew Ng《机器学习》公开课非监督机器学习算法，就是给你一堆点，你给 爱分几类分几类，反正把在一起的都找出来本文图片截取自Andrew N原创 2015-08-14 00:17:30 · 1761 阅读 · 0 评论 -
［机器学习］线性回归 被Andrew Ng讲的如此简单易懂
线性回归是什么？所谓线性回归（以单变量为例），说白了就是给你一堆点，你要从这一堆点中找出一条直线。如下图本文截图均出自 Andrew Ng的机器学习公开课>找到这条直线以后可以做什么？ 我们假设我们找到了 代表这条直线的 a 和b，那么直线表达式为 y = a + b*x， 那么当 新来一个 x，我们就可以知道 y了。Andrew Ng第一节课就说过，什么是机原创 2015-08-12 21:11:01 · 3998 阅读 · 0 评论 -
［机器学习］content-based recommendation
本文内容属于 Andrew Ng的《机器学习》公开课笔记，大部分截图均来自Andrew Ng的课件所谓基于内容的推荐，就是说我们的item具备某些属性attrs，然后我们可以通过某个user的历史评分记录，计算出该user对各种 属性 attr的喜好程度，从而可以给user推荐具备他喜欢的attr的item比如说，每一部电影，都由 浪漫和动作 两种属性，如下图我原创 2015-08-15 01:20:03 · 2629 阅读 · 0 评论 -
［机器学习］协同过滤，LFM（隐语义）算法
本文内容属于 Andrew Ng的《机器学习》公开课笔记，大部分截图均来自Andrew Ng的课件对于本节所讲的算法，Andrew Ng称为 Collaborative filtering（协同过滤），或者low rank matrix factorization（xx矩阵分解），向亮博士《推荐系统实践》那本书里叫做 LFM（隐语义模型）上一篇博客说道 基于内容的推荐原创 2015-08-15 01:53:12 · 4785 阅读 · 0 评论 -
［机器学习］逻辑回归，Logistic regression ｜分类，Classification
本文是 Andrew Ng 《机器学习》公开课的学习笔记现实中的例子有 ，垃圾邮件/非垃圾邮件， 肿瘤是良性还是恶性等等。怎么分类？我从高中数学积累了一个经验。假设直线方程是 f(x) = 0, 那么直线左边的点带入直线方程左边，得到的结果 0。所以，如果我们能找到这样一条直线，使它左边的点 属于 A类，右边的点 属于 B类，那么再有一个新的点进来，我们原创 2015-08-17 00:01:49 · 1308 阅读 · 0 评论 -
［机器学习］overfitting 和regularization
overfitting，见下图。就是说，你的model太好了，好到只对training data有用，而test data可能并不待见。原因就是如图所说，太多feature，可能这些feature是冗余的呢。怎么解决这个问题i？首先想到的可能是 减少feature！但这个得人工来整。其次，换一个角度看问题（世界可能大不一样）。如果像上图那个overf原创 2015-08-17 01:05:58 · 1887 阅读 · 0 评论