python_water的博客

机器学习之集成学习集成学习基本概念​ 集成学习就是组合这里的多个弱监督模型以期得到一个更好更全面的强监督模型，集成学习潜在的思想是即便某一个弱分类器得到了错误的预测，其他的弱分类器也可以将错误纠正回来。​ 集成学习模型的输出代表模型的输出结果。​ 集成学习的一般结构为：先产生一组“个体学习器”，再用某种策略将它们结合起来。集成中只包含同种类型的个体学习器，称为同质，当中的个体学习器亦称为“基学习器”，相应的算法称为“基学习算法”。集成中包含不同类型的个体学习器，称为“异质”，当中的个体学习

机器学习模型及其应用本次以房价预测项目为例。一、明确机器学习的目的理解问题：了解数据集中每个变量特征的含义以及对最终目的的重要程度理解主要特征：项目目的变量。在本次项目中主要特征为----房价# 导入需要的模块import pandas as pdimport matplotlib.pyplot as pltimport numpy as np# 用来绘图的，封装了matplot# 要注意的是一旦导入了seaborn，# matplotlib的默认作图风格就会被覆盖成seab

机器学习常用算法一、线性回归1.基本概念2.代码实现二、逻辑回归1.基本概念Sigmoid预测函数2.代码实现三 决策树基本概念代码实现四五知识补充损失函数回归分析总结一、线性回归1.基本概念线性回归是回归问题中的一种，线性回归假设目标值与特征之间线性相关，即满足一个多元一次方程。通过构建损失函数，来求解损失函数最小时的参数w和b。通长我们可以表达成如下公式：y^为预测值，自变量x和因变量y是已知的，而我们想实现的是预测新增一个x，其对应的y是多少。因此，为了构建这个函数关系，目标是通过已知数据

机器学习实训day02--机器学习概论机器学习概论分类、回归机器学习流程特征工程模型训练数据来源数据预处理模型训练模型调参模型保存模型评估常用的库数据可视化机器学习概论通过对历史数据的一个学习，这个学习过程就是一个模型训练的过程，想让计算机能够发现数据背后所隐藏的规律，然后帮助我们进行辅助决策。模型训练之前，我们需要对数据进行分析，结合我们的功能需求，明确我们的项目的要求，也就是分类问题还是回归问题。分类、回归分类：是属于监督学习的一种。监督学习就是原始数据包括X和Y。X就是代表了我们的数据