manduner的博客

调参传送门

转载自：https://medium.com/@pkqiang49/%E4%B8%80%E6%96%87%E7%9C%8B%E6%87%82-ai-%E6%95%B0%E6%8D%AE%E9%9B%86-%E8%AE%AD%E7%BB%83%E9%9B%86-%E9%AA%8C%E8%AF%81%E9%9B%86-%E6%B5%8B%E8%AF%95%E9%9B%86-%E9%99%84-%E5%88%86%E5%89%B2%E6%96%B9%E6%B3%95-%E4%BA%A4%E5%8F%89%E9%A

1，评价指标列表2，基本概念针对一个二分类问题，即将实例分成正类（positive）或负类（negative），在实际分类中会出现以下四种情况：（1）若一个实例是正类，并且被预测为正类，即为真正类(True Positive TP)（2）若一个实例是正类，但是被预测为负类，即为假负类(False Negative FN)（3）若一个实例是负类，但是被预测为正类，即为假正类(False ...

1，LR和SVM的相同点（1）LR和SVM都是分类算法（2）如果不考虑核函数，LR和SVM都是线性分类算法，也就是说他们的分类决策面都是线性的。         这里要先说明一点，那就是LR也是可以用核函数的，至于为什么通常在SVM中运用核函数而不在LR中运用，后面讲到他们之间区别的时候会重点分析。总之...

谈谈自己对决策树的理解？决策树算法，无论是哪种，其目的都是为了让模型的不确定性降低的越快越好，基于其评价指标的不同，主要是ID3算法，C4.5算法和CART算法，其中ID3算法的评价指标是信息增益，C4.5算法的评价指标是信息增益率，CART算法的评价指标是基尼系数。谈谈对信息增益和信息增益率的理解？要理解信息增益，首先要理解熵这个概念。从概率统计的角度看，熵是对随机变量不确定性的度量，...

SVM的原理是什么？SVM是一种二类分类模型，它的基本模型是定义在特征空间上的间隔最大的线性分类器（间隔最大使它有别于感知机）。当训练样本线性可分时，通过硬间隔最大化，学习一个线性分类器，即线性可分支持向量机；当训练数据近似线性可分时，引入松弛变量，通过软间隔最大化，学习一个线性分类器，即线性支持向量机；当训练数据线性不可分时，通过使用核技巧及软间隔最大化，学习非线性支持向量机。...

NB的原理朴素贝叶斯法是基于贝叶斯定理与特征条件独立假设的分类方法。对于给定的待分类项xxx，通过学习到的模型计算后验概率分布，即：在此项出现的条件下各个目标类别出现的概率，将后验概率最大的类作为xxx所属的类别。朴素贝叶斯朴素在哪里？在计算条件概率分布P(X=x∣Y=ck)P\left( X=x|Y=c_k\right)P(X=x∣Y=ck​)时，NB引入了一个很强的条件独立假设，即，当...

文章目录1，简介2，正式介绍3，对逻辑回归的进一步提问4，逻辑回归的优缺点总结1，简介       逻辑回归是面试当中非常喜欢问到的一个机器学习算法，因为表面上看逻辑回归形式上很简单，很好掌握，但是一问起来就容易懵逼。所以在面试的时候给大家的第一个建议不要说自己精通逻辑回归，非常容易被问倒，从而减分。下面总结了一些平常我在作为面试官面试别人和被别人面试的...

        在研读论文《Matrix completion by deep matrix factorization》时，遇到了一些不明白的知识点，花费了大量时间在网上查阅相关资料，终于找到了能够让自己一看就一目了然的博文，下面的内容是我对所看到博文的一些修正总结。写这篇博文主要是为了以后查阅知识点能够更加方便快捷，也给予了自己要向所参考博文博主学习的希冀以及动力。当然，如果也能给大家带来方便...