吃瓜笔记---机器学习简介

原创 已于 2022-10-18 20:00:05 修改 · 173 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#机器学习

于 2022-10-11 10:23:14 首次发布
这篇博客介绍了机器学习的基础，包括模型评估的重要性和选择标准，如错误率、精度概念，探讨了过拟合和欠拟合现象，并提到了性能度量如均方误差。同时，内容预告将涉及数据分布概率密度函数等主题。

第 1 章

第 2 章 模型评估与选择 

错误率

E=\frac{a}{m}

  m表示样本数量，a表示样本分类错误

精度

(1-\frac{a}{m})*100\%

过拟合（overfitting）、欠拟合（underfitting）

性能度量

均方误差（mean squared error）

E(f;D)=\frac{1}{m}\displaystyle\sum_{i=1}^m(f(x_i)-y_i)^2

E(f;D)=\int_{x-D}(f(x)-y)^2p(x)dx

数据分布D 概率密度函数p(·)

慢慢补充中~

deeplearningcc
关注
吃瓜学习笔记 - 决策树
xiaoyilisa的博客
12-21 2284
若样本x在划分属性a上的取值已知，则将x划入与其取值对应的子结点，且样本权值在子结点中保持为w(x)。若样本x在划分属性a上的取值未知，则将x同时划入所有子结点，且样本权重在于属性值a(v)对应的子结点中调整为。从训练集生成一棵完整的决策树，然后自底向上对非叶结点进行考察，若将该结点对应的子树替换为叶节点能带来决策树泛化性能的提升，则将该子树替换为叶节点。是在决策树生成过程中，对每个节点在划分前先进行评估，若当前节点的划分不能顾戴路决策树泛化性能的提升，则停止划分并将当前节点标记为叶节点。
吃瓜学习笔记 - 支持向量机
xiaoyilisa的博客
12-27 647
落在带子上的样本不计算损失(类比线性回归在线上的点预测误差为 0)，不在带子上的则以偏离带 子的距离作为损失(类比线性回归的均方误差)，然后以最小化损失的方式迫使间隔带从样本最密集的地 方穿过，进而达到拟合训练样本的目的。由于约束条件 μ ⪰ 0 是凸集，且根据对偶函数的性质(a)可知 Γ(μ, λ) 恒为凹函数，其加个负号即为凸函数，所以无论主问题是否为凸优化问题， 对偶问题恒为凸优化问题。由此可以看出，当主问题较难求解时，如 果强对偶性成立，则可以通过求解对偶问题来间接求解主问题。
吃瓜学习笔记 - 绪论 & 模型评估与选择
xiaoyilisa的博客
12-11 1738
数据量越大，模型效果越好；对特征数值化越合理，特征收集越全越细致，模型效果越好。范围:人工智能 >机器学习>深度学习（指神经网络的那一类学习算法）5. 数据决定模型效果的上限，而算法是让模型无限逼近上线。研究从数据中学习出其潜在规律的算法的一门学科。1.2. 为什么要学习机器学习？1.3. 怎么学习机器学习。不同的ML算法有不同的偏好。1.1 什么是机器学习？数据质量的重要性>算法。
吃瓜学习笔记 - 线性模型
xiaoyilisa的博客
12-17 1053
梯度：一元函数的一阶导叫导数，多元函数的一阶导叫梯度。（求出各个分量Xi的偏导数，然后组成向量）(中心极限定理：若一个随机变量是很多个独立的随机变量之和，那这个随机变量就符合正态分布)，本质上是一个多元函数求最值的问题，更具体点是凸函数求最值的问题。b. 用凸函数求最值的思路求w和b。的海塞矩阵在D上是半正定的，则。西瓜书：周志华老师的《机器学习》note: 这里的x是已知量。海塞矩阵：多元函数的二阶导数。给定由d个属性描述的示例。是全局解的充分必要条件是。是关于w和b的凸函数。的海塞矩阵是半正定的。
吃瓜学习笔记 - 神经网络
xiaoyilisa的博客
12-25 1109
神经元接收到来自n个其他神经元传递过来的输入信号，这些输入信号通过带权重的连接进行传递，神经元接收到的总输入值将于神经元的阈值(下图的θ)进行比较，然后通过“激活函数”（下图的f(·)，模拟“抑制"或者“激活”）处理以产生神经元的输出。由于感知机这种单个神经元的分类能力有限，只能分类线性可分的数据集，对于线性不可分的数据集则无能为力，比如“异或”问题。如果没有误分类，损失函数为0，而且误分类点越少，误分类点离超平面越近，损失函数值就越小。因此，神经网络既能做回归，也能做分类，而且不需要复杂的特征工程。
周志华机器学习笔记-C7
weixin_61986755的博客
10-03 1663
周志华老师机器学习第7章概述，首次从概率角度的算法解释
周志华机器学习笔记-C16
weixin_61986755的博客
10-04 628
强化学习概述，完结撒花~
周志华机器学习笔记-C4
weixin_61986755的博客
10-03 415
周志华老师机器学习第4章内容概述
吃瓜笔记---第四章 决策树
deeplearningcc的博客
10-19 363
机器学习之决策树
机器学习-西瓜书笔记汇总1
08-03
1绪论傍晚小街路面上沁出微雨后的湿润，和熙的细风吹来，抬头看看天边的晚霞，嗯，明天又是一个好天气。走到水果摊旁，挑了个根蒂蜷缩、敲起来声音浊响的青绿西瓜，一边满
《机器学习-周志华》学习笔记
10-17
为了训练一个真正有效、优化的模型，需要学习一下机器学习的理论知识。周志华的教材非常经典，但概念较多，特别是前两章，在学习中作了笔记，现分享出来，希望能有帮助。
【机器学习】西瓜书+南瓜书阅读笔记- 第 3 章: 线性模型
学习笔记
09-21 1325
线性回归，多元线性回归，广义线性模型（对数线性回归，对数几率回归），线性判别分析（广义瑞利商），多分类学习（OvO，OvR，MvM，ECOC，编码矩阵），类别不平衡问题（欠采样，过采样，阀值移动）
机器学习笔记--监督学习和无监督学习全面总结（原理、示意图、代码）
热门推荐
qq_44815135的博客
01-21 2万+
本文为大家总结了监督学习和无监督学习中常用算法原理简单介绍，包括了代码的详细详解，是机器学习的入门学习，同时也是AI算法面试的重点问题。主要包括线性回归、逻辑回归、决策树、朴素贝叶斯、k近邻算法、SVM、PCA、K-Meams等。
肝硬化患者肝功能分级临床预测模型：基于机器学习的多变量分析
huanghm88的专栏
12-11 202
摘要 本研究基于128例肝硬化患者的34项临床指标，采用机器学习方法构建肝功能分级预测模型。通过XGBoost、随机森林等多种算法比较，发现XGBoost模型表现最优，预测准确率达86.5%，AUC值0.89。研究确定了总胆红素、白蛋白等10个关键预测因子，为临床肝功能评估提供了新的辅助工具。该模型整合了多维临床数据，较传统Child-Pugh评分更具综合性，有助于优化肝硬化患者的个体化诊疗决策。未来需扩大样本量进行多中心验证，进一步完善模型性能。 关键词：肝硬化；肝功能分级；机器学习；预测模型；XGBoo
【技术人如何用爬虫+机器学习识别并屏蔽恶意广告】第1课：爬虫与广告反欺诈入门
weiliang_Handan的博客
12-14 748
本文介绍了广告欺诈的现状及其危害，并提出了利用网络爬虫和机器学习技术进行反欺诈的解决方案。主要内容包括：1)网络爬虫的基本原理和工作流程；2)常见广告欺诈类型及其对行业的负面影响；3)系统化的反欺诈学习路径，从数据采集、预处理到模型训练和系统部署。通过构建自动化识别系统，可有效保护广告预算、优化投放策略并提升用户体验。文章还包含了一个简单的Python爬虫示例代码，帮助读者初步了解数据采集技术。
机器学习基础（线性，逻辑回归）
lyx2870657588的博客
12-11 1493
本文介绍了两种常用的回归分析方法及其应用。线性回归部分详细讲解了模型参数、API使用方法和评估指标，通过广告投入与销售额的案例展示了模型建立、训练和预测的全过程。逻辑回归部分重点阐述了其在分类任务中的应用，包括数据预处理、模型训练和性能评估方法，以信用卡欺诈检测为例演示了分类模型的实现步骤。文章还系统介绍了混淆矩阵、精确率、召回率和F1值等模型评价指标的计算方法和适用场景，为机器学习实践提供了完整的技术参考框架。
Day37 深入理解SHAP图
最新发布
weixin_47193046的博客
12-15 548
年龄+0.02影响很小，把模型的决策分解到每个特征上。基准值 = 没有任何特征信息时的"默认"预测(相当于"0”的起点)，这个值一般就是平均值，把训练集的所有样本都输入模型，得到所有预测值取平均值，在没有关于这个特定样本的区分性信息时，最合理的猜测就是平均值。到这里你可能心想，这样是不是很类似于线性回归的特征前的系数 y=ax1+bx2+cx3，那既然如此，我直接选择用线性回归的系数作解释，那岂不是更好?三人合伙前，收入是 0，三人合伙后，收入是 100万，要分配的"蛋糕"就是 100万-0=100 万。
机器学习进阶＜10＞分类器集成：集成学习算法
2303_77568009的博客
12-12 774
这篇博客是一篇关于分类器集成技术的全面实战指南，涵盖了从理论基础到代码实践的完整知识体系。文章以"三个臭皮匠顶个诸葛亮"的智慧为核心隐喻，系统阐述了如何通过组合多个弱分类器来构建强大的集成模型，从而突破单分类器的性能瓶颈。
机器学习与深度学习基础（五）：深度神经网络经典架构简介
TracyCoder的博客
12-11 822
本文学习要点：1.深度神经网络分层架构：全连接层卷积层池化层2.深度神经网络代表:CNN：CNN、AlexNet、VGG-Net、GoogLeNet（Inception）、ResNet（残差连接）编码器-解码器架构：序列到序列模型（Seq2Seq）
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值