每天净瞎搞

摘自《机器学习实战 基于sklearn、Keras和TensorFlow 第2版》 附录B中的机器学习项目清单，用于自查

这篇博客汇总了目前的流行的各种特征选择方法

这篇博客汇总了目前流行的大部分类别不平衡问题的方法

分布式机器学习第3章 分布式机器学习框架 学习笔记

机器学习白板推导系列三 线性回归

一篇autoML综述：Benchmark and Survey of Automated Machine Learning Frameworks

人工智能的知识要点记录：努力保证2020年每周更新，ML：西瓜书、统计学习、白板推导、林轩田等，DL：邱锡鹏nndl

Q:什么是模型选择？模型选择即选择正则化参数的大小和多项式的次数Q:模型选择的两个步骤？1.选择一个模型2.设定它的参数Q:选择最好的模型实际上选择模型的什么指标？实际上是确定哪个模型可以在偏差和方差之间达到最优Q:偏差描述的是什么？偏差描述的是模型预测结果与真实结果的差距（准确度）Q:方差描述的是什么?方差描述的是模型预测结果的波动范围（稳定性）Q:树模型和规则模型的优点是...

Q:信息增益是什么？特征A对训练数据集D的信息增益g(D,A)，定义为集合D的经验熵H(D)与特征A给定条件下D的经验条件熵H(D|A)之差，即g(D,A)=H(D)−H(D∣A)(5.6) g(D,A) = H(D) - H(D|A) \tag{5.6} g(D,A)=H(D)−H(D∣A)(5.6)一般地，熵H(Y)与条件熵H(Y|X)之差成为互信息（mutual information...