yu_tsl的博客

随着这两年人工智能的快速发展，机器学习与深度学习行业炙手可热，对于那些想进入这个行业的同学们，小编在这里给大家介绍一下自己的心得体会以及利用Python的一些小技巧，希望对大家有所帮助。 在机器学习方面，对于想入门的新手，首先不得不提就是斯坦福大学的Andrew Ng-吴恩达，他在例如Coursera等网站上面的课程非常适合新手，并且当你入门之后，回头再看，又会有新的收获，在这里我把相应的链

1. 偏差与方差：   偏差： 度量了学习算法的期望预测与真实结果的偏离程度，即刻画了学习算法本身的拟合能力   方差： 同样大小训练集的变动，导致学习性能的变化，即刻画了数据扰动对模型造成的影响       2 线性模型： 线性回归模型： lasso 和ridge 分别是l1 范数和l2范数惩罚项 线性分类模型 logistics 线性判别分析  LDA : 目的，将训练样...

LR 算法特点： 优点： 计算代价不高，易于理解和实现； 预测结果是界于0和1之间的值。 缺点： 容易欠拟合，分类精度可能不高； 预测结果呈“S”型，概率变化很小，边际值太小，slope太小，而中间概率的变化很大，很敏感。 导致很多区间的变量变化对目标概率的影响没有区分度，不容易确定阀值。       公式推导：        模型解释： 1. 最大似然估计： ...

朴素贝叶斯是基于贝叶斯定理与特征条件独立假设的分类算法，是一种古典概率模型 朴素贝叶斯特点： 朴素贝叶斯的优点： 对小规模的数据表现很好，适合多分类任务，适合增量式训练，朴素贝叶斯法高效且易于实现。 缺点： 对输入数据的表达形式很敏感，分类的性能不一定很高。   贝叶斯定理： 公式推导： （推荐一篇不错的文章，朴素贝叶斯算法原理小结） 由上面我们得到了贝叶斯公式，而贝叶斯模型的...

                                支持向量机——SVM 优缺点： (1)非线性映射是SVM方法的理论基础,SVM利用内积核函数代替向高维空间的非线性映射； (2)对特征空间划分的最优超平面是SVM的目标,最大化分类边际的思想是SVM方法的核心； (3)支持向量是SVM的训练结果,在SVM分类决策中起决定作用的是支持向量； (4)SVM 是一种有坚实理论基础的新颖...

转载于 https://blog.youkuaiyun.com/xiaokang123456kao/article/details/74735992 一、什么是协同过滤？ 协同过滤是利用集体智慧的一个典型方法。要理解什么是协同过滤 (Collaborative Filtering, 简称 CF)，首先想一个简单的问题，如果你现在想看个电影，但你不知道具体看哪部，你会怎么做？大部分的人会问问周围的朋友，看看...

                                                                   决策树-DecisionTree   　什么是决策树？ 　　决策树是一种基本的分类与回归方法。其主要有点事模型具有可得性，分类速度快。学习时，利用训练数据，根据损失函数最小化原则建立决策树模型；预测时，对新数据，利用决策树模型进行分类。   决策树是一种用于...

                                         Ensemble（集成方法）   集成学习，通过构建并结合多个学习器来完成任务，即通过 弱学习器集成为一个强学习器。 典型方式为 boosting 和 bagging Boosting 和 Bagging异同 引用（https://www.cnblogs.com/liuwu265/p/4690486.html...

转载于（https://blog.youkuaiyun.com/john_bh/article/details/79268850） 转载请注明作者和出处：http://blog.youkuaiyun.com/john_bh/   一、简介 二、FastText原理 2.1 模型架构 2.2 层次SoftMax 2.3 N-gram特征 三、 基于fastText实现文本分类 3.1 fastTe...

  相关系数定义为两个向量之间的相似性，最常用的相关系数是皮尔森相关，但是实际情况更加复杂，因此我们介绍一下统计学中出现的相关系数。   一 皮尔森相关   皮尔森相关描述两个变量之间的线性相关   x,y 为两个变量。 适用条件： 1. 两个变量都是连续变量 2.  每个变量都应该是 正态分布，或者接近正态分布的单峰对称分布 3. 变量之间应该为线性关系   当对...