Just for fun的专栏

    本书涉及的机器学习问题通常是指“函数逼近”问题。是有监督学习问题的一个子集。线性回归和逻辑回归是解决此类函数逼近问题最常见的算法。函数逼近问题包含了各种领域中的分类问题和回归问题，如文本分类、搜索响应、广告放置、垃圾邮件过滤、用户行为预测、诊断等。从广义上说，本书涵盖了解决函数逼近问题的两类算法：惩罚线性回归和集成方法。    为什么这两类算法如此有用？1.“An Empirica...

       集成方法的关键是开发出一种可以生成大量近似独立的模型的方法，然后把它们集成起来。集成方法是由两层算法组成的层次架构。底层的算法叫作基学习器。目前广泛使用的上层算法主要有：投票（bagging）、提升（boosting）和随机森林（random forests）。严格地讲，随机森林实际上是上层算法和修改后的二元决策树的组合。      有很多算法都可以用作基学习器，如二元决策树、支...

   Python工具包的易用性、所能达到的准确性、训练所需的时间等等7.1 用Python集成方法工具包解决回归问题     构建随机森林模型来预测红酒口感：scikit-learn中RandomForestRegressor的类构造函数如下sklearn.ensemble.RandomForestRegressor(n_estimators=10, criterion='mse',...