模型评估小记

python机器学习小记——基于逻辑回归模型的多分类场景预测实战 【阿里天池云-龙珠计划】python机器学习小记 <task01: 基于sklearn的Logistic Regression分类实现> 目录【阿里天池云-龙珠计划】python机器学习小记一、逻辑回归算法原理及应用介绍 二、入门Demo 三、基于鸢尾花(iris)数据集的逻辑回归分类实践 那么我们开始吧~~ 1. 逻辑回归算法原理及应用介绍 1.1. 逻辑回归的介绍 逻辑回归(Logistic regression,简称LR)是一个分类模型,并且广泛应用于各个领域之中。 其最为突出的两点 阅读详情

模型评估是验证模型效果的重要手段。不同的评价指标有不同的侧重点,我们评估模型时需要选择恰当的评估指标以期体现我们真实想反馈的模型结果。
常用的评价指标有:准确率、精确率、召回率、RMSE等

准确率

准确率是预测正确样本的占比。当样本不平衡时,准确率将不能客观反映真实情况。例如垃圾邮件分类问题中垃圾邮件占比很小,假设占比为95.这时即使我预测所有邮件都不是垃圾邮件,准确率也高达95%。显然不是我们想要的结果。所有准确率不适用于未作处理前的样本极度不平衡情形。

精确率与召回率

精确率:分类正确的正样本个数占预测为正样本个数的比例。精确率就像古代比较仁慈的官老远。对嫌犯宁放过不杀错!相对保守!
召回率:分类正确的正样本个数占正样本个数的比例。召回率恰恰相反,是一个酷吏,宁杀错不放过,毕竟激进!
这两种评估指标是既统一又矛盾的,那么我们该采用哪个指标呢?还是以垃圾邮件系统为例。如果只有精确率作为评价方式,则效果为向用户预警的邮件大多数都是垃圾邮件,但是会漏掉很多垃圾邮件,把他们当作好的邮件!这个时候用户就开始骂人了!这是啥子玩意,这么多垃圾邮件都没有拦截到!!!如果只以召回率来作为评价方式,则绝大多数的垃圾邮件都被拦截了,用户基本不吐槽我们不能拦截不到垃圾邮件了。但是用户用了一段时间后又开始骂人了!!!因为他发现一些重要的工作邮件收不到,被发现在我们的拦截邮件列表里!用户瞬间感觉失去了几个亿!!!

通常用R-P曲线、roc、F1-score来判定模型的性能。

R-P曲线图如下:
在这里插入图片描述做这个图时通常是把样本为正样本的概率(或者其他的距离等)算出来,然后从小到大逐渐增加阈值,分别算出精确率和召回率,以横坐标为召回率、纵坐标为精确率作图。如果有两个模型,则面积大的模型教优!如果两个模型的面积不是太好判断,可以以精确率等于召回率时,曲线值较大的模型教优!此时的点称为平衡点。

F1-score:为精确率和召回率的调和平均值,通常也是一种平均指标

ROC曲线:roc曲线涉及到两个新的指标,真阳性、假阳性
真阳性率:预测正确的正样本个数占正样本个数的比例。此时就是召回率。(作为纵坐标)
假阳性率:错误预测为正样本的负样本个数占负样本个数的比例。(作为横坐标)
制作roc曲线:模型输出样本为正样本的概率,从大到小排序。指定一个阈值,大于阈值的样本为正,分别计算真阳性和假阳性率作为坐标点,然后调低阈值。迭代,连接所有的坐标点点即可得到roc曲线。

R-P曲线和ROC曲线的区别如下图:
在这里插入图片描述
ac对比可知,负样本增加10倍后,roc曲线基本没有变化:①真阳性计算时在数学上与负样本无关;②假阳性中分子虽然分子增大了,但是如果当前的负样本分布变化不大的情况下,负样本的概率大于阈值的比例不应变化过大,此时假阳性分子分母几乎同比例增大,故而影响不大。(如果增加10倍负样本后,负样本的分布已经改变,则说明增加前或者增加后的数据集中总有一个不能代表负样本数据的真实分布,那继续在当前数据集上做模型已经没有太多意义了。)
bd对比可知,负样本增加后曲线发生了极大的变化:精确率计算时,分母含有错误预测为正的负样本个数,使精确率大幅下降!

故:①在不同的数据集上比较模型性能时,roc更稳定;②现实中经常遇到样本不平衡问题,roc更通用;③如果想看同一数据集上的不同模型性能,R-P曲线更加适合

使用roc曲线时,常常计算曲线下的面积auc,auc越大,说明模型的真阳性越大,假阳性越小!(如果全预测正确,auc曲线的面积就是1,把边长为1的正方形区域都填满了。不过遗憾的是这种情况基本不可能)

余弦距离

余弦相似度:两个单位化的向量相乘记为余弦相似度,范围是[-1:1]
余弦距离:1-余弦相似度,范围是[-1:1]
①余弦距离更看重方向上的相对差异;欧氏距离更看重数值上的绝对差异
②欧式距离收到维度的影响,维度越多,值越大,但余弦距离不受到影响

距离定义:集合中,任意一对元素可唯一确定一个实数,满足:正定性、对称性、三角不等式。
余弦不等式不满足三角不等式,不是严格意义上的距离。例如:a(1,0),b(1,1),c(0,1)
d ( a , b ) = 1 − 2 2 d(a,b)=1-\frac{\sqrt2}{2} d(a,b)=1−22 ​​ d ( b , c ) = 1 − 2 2 d(b,c)=1-\frac{\sqrt2}{2} d(b,c)=1−22 ​​ d ( a , c ) = 1 d(a,c)=1 d(a,c)=1
d ( a , b ) + d ( b , c ) = 2 − 2 &lt; 1 = d ( a , c ) d(a,b)+d(b,c)=2-\sqrt2&lt;1=d(a,c) d(a,b)+d(b,c)=2−2 ​<1=d(a,c)

A/B测试

A/B测试是检测模型最终效果的主要手段
通常在离线评估后仍然需要做A/B测试:

  • 离线评估无法完全消除模型过拟合带来的影响
  • 离线评估无法完全还原线上的真实工程环境。例如数据延迟、缺失等
  • 离线评估无法计算某些商业指标。离线评估一般只是针对模型本身评估,往往无法计算与之相关的其他商业指标。例如推荐系统无法计算法带来的留存率、点击率等等

A/B通常对用户进行分桶操作,划分一组为实验组、一组为对照组。划分时需要遵循原则:独立性(每个用户只能属于一组)、无偏性(对样本进行随机抽样)

模型评估的常用方法

Holdout:把数据随机划分为训练集和验证集。训练集用来训练模型,验证集用来验证模型。通常比例为7:3,也可以再增加一个测试集,比例变为6:2:2。不过在神经网络中,数据量很大时为了充分利用数据,验证集和测试集的比例会进一步减小。有可能训练集占比达到99%。
缺陷:①验证集计算出来的评估指标与原始分组有很大关系。由于是随机分组,两个分组的分布很可能差异太大,导致模型失败。②有相当大一部分数据并没有利用上
交叉验证:把数据量分为k份大小相等的子集,遍历k个子集,每次把自己当做验证集,其余k-1个子集当做训练集。最后把k次的评估指标平均值作为最终指标。通常k取为5,如果数据量多也可以选10。(k可以通过观察k次的评估指标方差来确定,如果方差较大,则各个子集的分布差距较大,可以减小k,尽量使分布有一定的相似性。不过最好不要小于5)
交叉验证在一定程度上消除了只划分为训练集和验证集时随机性带来的影响!
自助法:当样本集较小时,不管是交叉验证还是holdout都可能得不到理想的模型。我们可以使用自助法来维持样本的规模。自助法的根本原理就是采样:进行n次有放回的抽样作为训练集,未被抽到的样本作为验证集(理论上,n足够大时,验证集比例为 1 e ≈ 36.8 % \frac 1e\approx 36.8\% e1​≈36.8%)。bagging就使用了booststrao。

超参数调优

超参数很可能影响一个模型的最终效果。通常做法:①通过经验来确定,②去GitHub上找相似项目,使用他们的参数作为最初参数,③范围搜索:

  • GridSearchCV:暴力搜索范围内的所有可能组合,能找到最优解,但是非常耗费算力和时间。通常先设定一个较大的步长和较广的范围,确定一个当前可能最优的位置,然后逐步缩小搜索范围和步长,这种方法能在一定程度上减少算力和时间的耗费,但很可能错过最佳值。
  • RandomizedSearchCV:随机选取范围内的参数点,如果参数点足够多,能大概率找到最优值或者其近似解。但是结果没法保证。
  • BayesianOptimization:利用上一次参数的信息,不断更新参数使之向最佳参数靠近。速度上比网格搜索和随机搜索快的多。

过拟合和欠拟合

过拟合现象:模型在训练集上表现得很好,在验证集或者测试集上表现很差
欠拟合现象:模型在训练集和验证集、测试集上都表现不好
处理过拟合:

  • 获取更多数据或者做尽量剔除outlier:①通常数据越多,数据集分布越接近样本空间的真实分布。如果获取样本困难,可以通过数据合成的方式获取。例如过采样时,对数据加入一个很小的随机干扰。②outlier对模型是无效的,是干扰的,如果能剔除,将对模型有正向的帮助(值得一提的是神经网络中有的时候人为加入噪音以抵消其他部分的噪音)
  • 降低模型复杂度:数据少时,过拟合的主要原因是模型复杂度过高。通常的方法有:特征选择去掉冗杂特征、决策树中剪枝、神经网络中减少神经元个数或层数深圳神经元随机失活等
  • 正则化:权重值的过大容易使模型效果严重偏向于某个特征(相当于独裁),故对特征大小做限制。通常有L1、L2正则。例如Lasso(L1)、岭回归(L2).
  • 集成学习:三个臭皮匠顶一个诸葛亮。通常有blending、stacking(非线性blending)、boosting

处理欠拟合:

  • 增加新特征:欠拟合的主因是特征集对数据集的描述能力不够,体现在特征少或者特征与target相关性差。通过特征组合来构造强特征往往能取得较好的效果。
  • 增加模型复杂度:通常简单模型对数据的学习能力较差。例如在数据量不是非常少的情况下,决策桩的学习能力绝对没得三层的决策树好。但建议还是先构造强特征。
  • 降低正则化项的权重。正则化的重要是降低过拟合,与此同时增加了欠拟合的风险。
视频对象分割(Video Object Segmentation)研究小记 文章目录任务定义与数据集任务定义数据集评价指标技术路线分类经典论文 写在前面的话,硕士研究生阶段从接触VOS到深入研究,差不多一共有两年时间。因为自己刚接触这个研究领域的时候,用深度学习做视频分割的还相对较少,嘿嘿,所以相对好发(水)论文,马上毕业了,简单写个总结吧,不针对某篇论文做具体的技术分析。以下任务的定义等主要参考DAVIS benchmark,这个数据集确实推动了这个研究方向。 任务... 阅读详情

相关推荐

LMFlow - 小记

因此,在依赖模型生成的结果之前,用户还必须了解与结果相关的风险和责任,并寻求法律、商业和技术建议。请注意,提供的gpt-neo-2.7b模型是相对较弱的模型,仅支持英文,并且有时会生成不理想的响应。请注意,提供的gpt-neo-2.7b模型是相对较弱的模型,仅支持英文,并且有时会生成不理想的响应。您可以使用它来构建各种类型的语言模型,包括对话模型、问答模型和文本生成模型等。我们很高兴地开源LMFlow代码库,其中包括了完整的大模型训练流程,能够快速、高效地训练和部署自己的语言模型。

AI工程化、开源分享、文档翻译、代码笔记 1241

测试集的分割效果不好,可能由以下原因导致

测试集的分割效果不好,可能由以下原因导致测试集的分割效果不好,可能由以下原因导致:为了解决这些问题,可以尝试以下方法: 测试集的分割效果不好,可能由以下原因导致: 模型过拟合:如果模型在训练集上表现良好,但在测试集上表现不佳,这可能是因为模型过拟合了训练数据。过拟合可能是由于训练数据太少、模型太复杂或训练过程太长时间等原因导致的。 数据分布差异:测试集和训练集的数据分布可能存在差异,例如在数据集中某些类别的样本数量不平衡,或者在测试集中有新的噪声或模式。这可能导致模型在测试集上的性能下降。 测试集的分割问

ruotianxia的博客 874

深入解析MOS管电容特性:从基础理论到高频应用

本文深入解析了MOS管的电容特性,从基础物理结构出发,详细拆解了栅氧电容、重叠电容和结电容的成因与影响。文章重点探讨了电容值随工作状态变化的非线性特性,并分析了其在CMOS高频开关电源、射频电路等应用中的关键作用,包括开关损耗、米勒效应、信号完整性挑战以及如何将电容特性转化为可控元件(如MOS变容管)的机遇。最后提供了从选型、仿真到PCB布局的实战设计指南。

weixin_29278805的博客 384

机器学习进行数据分类模型的预测(含代码及数据集)

机器学习,决策树,随机森林,投票法,二分类,数据挖掘,个体学习器,集成学习,python

m0_62101200的博客 6084

Matlab实战:5分钟搞定脉冲多普勒雷达信号处理仿真(附完整代码)

本文详细介绍了如何使用Matlab在5分钟内完成脉冲多普勒雷达信号处理仿真,包括环境配置、线性调频信号生成、数字下变频处理、动目标检测及性能优化技巧。通过完整代码示例和实用技巧,帮助工程师快速验证算法可行性,提升雷达信号处理效率。

nokia的博客 946

达梦7实时主备集群

达梦7实时主备配置实时主备数据环境说明配置主库配置 dm.ini配置dmmal.ini配置dmarch.ini配置dmwatcher.ini配置dmwatcher.ini以mount方式启动主库设置OGUID修改数据库为primary模式配置备库 在服务器部署过程中,通常搭建有数据库主备集群,用于防备数据库服务器产生问题影响数据正常,在此,我们分享一下在虚拟机环境中模拟搭建实时主备的数据守护模式。 在搭建环境之前,需用户确认主备DM7的数据库已安装完成,且版本一致,同时还应注意各实例所在主机的操作系统位数、

g360382的博客 1022

ML:根据不同机器学习模型输出的预测值+且与真实值相减得到绝对误差对比+误差可视化

ML:根据不同机器学习模型输出的预测值+且与真实值相减得到绝对误差对比+误差可视化 目录 输出结果 实现代码 输出结果 实现代码 # -*- coding: utf-8 -*- #ML:根据不同机器学习模型输出的预测值+且与真实值相减得到绝对误差对比+误差可视化 #Model_comparison_error_Plot()函数:根据...

头部AI社区如有邀博主AI主题演讲请私信—心比天高,仗剑走天涯,保持热爱,奔赴向梦想!低调,专注,谦虚,自律,反思,成长,还算比较正能量的博主,公益免费传播…内心特别想在AI界做出一些可以推进历史进程影响力的技术(兴趣使然,有点小情怀,也有点使命感呀 1万+

[deprecated]第四章:TTM分析: 4.2.1 存储分配ttm_bo_validate功能实现分析

ttm_bo_validate是TTM框架中负责验证和调整BufferObject物理内存分配的核心函数,主要用于显存管理。该函数通过placement参数判断BO是否需要迁移或重新分配资源,完成内存分配、迁移及缓存策略调整等操作。实现流程包括资源释放、兼容性检查、迁移保护、新资源分配、迁移实现等步骤,支持多跳迁移和临时缓冲区。典型应用于显存溢出迁移、缓存策略调整、驱动初始化等场景,确保BO始终处于预期状态。

图形/计算GPU的驱动与虚拟化技术分享园地 853

机器学习算法交叉验证最频繁犯的6个错误

交叉验证(Cross-Validation)是验证模型有效性的方法,具体的实践流程如下:步骤1:数据集划分为K份,其中K-1份作为训练集,剩余1份作为验证集。步骤2:训练集并记录验证集精度。步骤3:将操作上述循环K次。交叉验证与按照比例划分的方法,与如下优点:交叉验证可以验证模型多次,减少了模型误差中的偏差,验证集精度更加可信。交叉验证可以得到多个模型,在测试集上可以进行多次预测,增加预测结果的多样性。

m0_59596937的博客 1967

9.27华为OD机试真题 新系统 - 均衡调度 (Java/Py/C/C++/Js/Go)

9.26华为OD机试真题 新系统 - 均衡调度 (Java/Py/C/C++/Js/Go)

算法大师! 535

【YOLOv8科研级创新】集成HS-FPN特征融合网络,让Neck模块在参数量锐减100W的同时精度跃升

打开确保模型解析器能识别HS_FPN模块。通过将HS-FPN集成到YOLOv8中,我们实现了一个“轻量级多尺度特征融合+精准检测”的目标检测模型。这个改进不仅在工程上能提升多尺度、细粒度场景的检测效果并降低部署成本,更在科研上提供了“选择性轻量级特征融合”的创新思路——这种思路可以延伸到其他检测网络(如Faster R-CNN、SSD)的Neck模块改进中,帮你在论文中打造独特的研究点。

m0_64661770的博客 138

如何划分测试集和训练集

机器学习划分训练集和测试集的方法 目前遇到如何划分机器学习中训练集和测试集的问题,找了各方面的资料,发现知乎大佬给出了详细解答,故转载如下(文末附参考链接):

weixin_42475780的博客 3万+

SAP-ABAP:SAP数据库视图的创建图文详解

在“短文本”字段中输入视图的描述。在“表/视图”字段中输入要基于的表名。如果视图基于多个表,可以在这里输入主表。点击“表/视图字段”按钮,选择要包含在视图中的字段。如果视图基于多个表,点击“关系”按钮来定义表之间的连接条件。在弹出的窗口中,选择要连接的表,并定义连接条件(例如。

baidu_35680696的博客 975

【学习小记】零基础入门语音识别-Task5:泛化误差、模型评估、集成学习了解

泛化误差 当模型在测试集等除训练集以外数据集表现糟糕时,往往会称模型泛化能力差,也称泛化误差大。 泛化能力受到模型结构(复杂度)的影响。 这里只讨论对数据集过拟合的情况。当模型太复杂,就容易过拟合,导致模型泛化能力不够即泛化误差大。以树模型为例,树越茂盛,深度越深,枝叶越多,模型就越复杂,因此调参时目标比较明确:减少模型复杂度,防止过拟合。 要同时小心过拟合和欠拟合!追求平衡~ 模型评估 两种方法:Holdout检验、交叉检验、留一验证、自助法 Holdout检验:数据集按一定比例(一般按七三开)分训练集和

kaguya1004的博客 467

【PCL 特征】积分图法线估计

本文介绍了基于积分图的有序点云法线估计方法。通过利用点云数据的行列式结构特性,该方法避免了传统KD树搜索,采用积分图将邻域统计运算复杂度从O(k²)降至O(1)。详细阐述了四种法线估计算法:协方差矩阵法(精度最高)、平均3D梯度法(实时性好)、平均深度变化法(适合SLAM)和简单3D梯度法(速度最快)。重点分析了积分图构建、动态窗口平滑处理、法线方向调整等关键技术,并提供了PCL实现代码示例。实验表明,不同方法在精度和速度上存在显著差异,可根据具体应用场景选择合适算法。

yijiujiusan的博客 277

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

深度学习之模型评估Evaluation Metric

深度学习之模型评估Evaluation Metric 文章目录深度学习之模型评估Evaluation Metric精度Accuracy混淆矩阵总结 精度Accuracy 精度是指测试正确的与全部测试样例的比值。 Accuracy=NumberofcorrectpredictionsTotalnumberofpredictionsmadeAccuracy = \frac{Number of correct predictions}{Total number of predictions made}Accur

Small__明的博客 1181

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

关于大模型中Prompt这一概念小记

什么是大模型中的Prompt

qq_45670407的博客 1488

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

大模型小记

召回就是搜寻,比如你用探测器从沙滩上找金币的过程就是召回,有的是金币,有的是废铁,召回率就是(召回数/总数),在这里等于(找到的金币+废铁)/(沙子下埋的所有金币+废铁数),准确率就是正确的概率=(找到的金子数)/(找到的金子数+找到的废铁数)。RAG 是调用知识库的一种工具,Rag 依赖于知识库,它通过把知识构建为向量存储在数据库中(向量知识库),把用户的 query 向量和知识向量做匹配度计算,召回匹配度最高的知识作为回答的参考,如果知识库是图书馆,rag 就是图书馆管理系统。

AGNING的博客 359

踩坑小记:Ollama部署大模型服务

因工作需要,在一台windows台式机里塞了一块4090显卡,来做大模型推理的简单demo。网上看到了部署神器Ollama, 于是准备试一下。

2301_81888214的博客 1090

keras 基础小记

model.add model = Sequential() model.add(Dense(output_dim=1, input_dim=1)) 每次model.add就是添加一层,不用写入权重这些参数。 W, b = model.layers[0].get_weights()是第一层的参数。 特征标准化 不同特征所占比重不同,把特征们的所占比重都设置为差不多,都在(0,1)之间 keras...

ferb的语音识别学习小站 1259

NLP一般流程小记

NLP一般流程小记 1.获取语料 语料,是NLP任务所研究的内容,通常用一个文本集合作为语料库(Corpus)来源:已有语料,积累的文档, 下载语料 2. 语料预处理 1)语料清洗:留下有用的,删掉噪音数据 常见的数据清洗方式:人工去重、对齐、删除和标注等,或者规则提取内容、正则表达式匹配、根据词性和命名实体提取、编写脚本或者代码批处理等。 2)分词:将文本分成词语 常见的分词算法:基于字符串匹配的分词方法、基于理解的分词方法、基于统计的分词方法和基于规则的分词方法 3) 词性标注:给词语打词类标签,如形容

weixin_45557267的博客 804

由SSD到ScratchDet的模型变动小记

首先介绍SSD: Single Shot MultiBoxDetector SSD 顾名思义就是“使用单个深层神经网络检测图像中的多对象”。该论文主要贡献在于提高了单次检测器的速度和精度 : 使用了小卷积filter预测特征图上固定的一组default box 的位置损失和置信度损失; 从不用尺度的特征图得到不同尺度的预测。 SSD在训练期间仅需要每个对象的输入图像和真实标签框。 卷积处理时,在具...

JstartTang的博客 494

20190817学习小记

今天认真学习了机器学习的基础部分 首先机器学习分为有监督和无监督 有监督包括分类和回归 无监督包括聚类和降纬(进一步学习) 初级框架如下: 确定任务:是「有监督」的分类或回归?还是「无监督」的聚类或降维?确定好后基本就能知道用 Sklearn 里哪些模型了。 数据预处理:这步最繁琐,要处理缺失值、异常值;要编码分类型变量;要正规化或标准化数值型变量,等等。但是有了 Pipeline 神器一切变得简...

weixin_43967770的博客 142

随笔小记(十八)

随机森林参数说明RF(n_estimators=500, n_jobs=-1) 1、要构造一个随机森林模型,第一步是确定森林中树的数目,通过模型的 进行调节。n_estimators越大越好,但占用的内存与训练和预测的时间也会相应增长,且边际效益是递减的,所以要在可承受的内存/时间内选取尽可能大的n_estimators。而在sklearn中,n_estimators默认为10。 2、随机森林还有一个重要参数是n_jobs,决定了使用的CPU内核个数,使用更多的内核能使速度增快,而令n_jobs=-1可以调

花开 流年 368

Stetman 读paper小记:How to Backdoor Diffusion Models?

由于课题组研究需要,了解了一下当前比较火爆的扩散模型(Diffusion Model),其中读到的这篇论文与正在学习的后门领域比较相关,特此记录一下当时思考的一些问题。

Stetman的博客 1158

《Python深度学习》阅读小记

第四章 4.1 机器学习四个分支 监督学习:有标签学习。主要包括分类和回归,是深度学习主流 无监督学习: 没有目标,寻找输入数据的有趣变化。 目的在于数据可视化,数据压缩,数据去噪或更好理解数据相关性。 是数据分析非必备技能。降维和聚类是well-known的两个无监督学习方法。 自监督学习:监督学习的特例,没有人工标注的标签的学习,但是标签仍然存在,是从输入数据中生成,通常使用启发式算法生成。举例如自编码器。 强化学习:目前处于研究阶段,没有实际商业应用,但是前景广阔。强化学习中,智能体

Nancy_fairy的博客 240
上一篇: 特征工程小记
下一篇: 逻辑回归、决策树以及SVM小记
酸辣椒炒青椒
博客等级 码龄11年 9粉丝 19原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 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