机器学习

机器学习终极指南

H 您是否想过我们或公司每天产生多少数据!这个数额真是令人难以置信。物联网,应用程序等不同来源正在生成大量数据。 公司和企业正朝着对机器学习等技术进行投资,以分析和预测未来(使用历史数据),这有助于改善其业务流程。 什么!我们可以预测未来吗?是的是的!你没听错。我们的未来全都与机器人技术有关……

查看帖子
XGBoost详细说明

在上一篇文章中,详细介绍了Boosting算法,我们详细讨论了Boosting算法并在那里工作。 在这篇文章中,让我们讨论一下提升类别中的另一种流行算法:XGBoost。 XGBoost XGBoost(极端梯度增强)是最流行的梯度增强算法之一。它是使用梯度提升框架的基于决策树的集成机器学习算法。 注意:此梯度提升树算法与…

查看帖子
提升算法详细说明

在上一篇文章中,《随机森林》(Random Forests)详细介绍了我们讨论了《随机森林》(Random Forest),该技术使用Bagging技术创建决策树的整体。在本文中,我们将讨论Boosting技术,并研究一些流行的算法,例如:自适应Boosting或AdaBoostGradient Boosting 它使用增强技术来创建整体。 助推简介 Boosting的基本思想是将很多弱者组成一个强大的学习者,在...

查看帖子
随机森林详细解释

在我以前的文章中,我谈到了决策树并详细解释了它的工作原理。在这篇文章中,我们将讨论随机森林,它是决策树的集合。 随机森林几乎总是比单个决策树更好。这就是为什么它是最受欢迎的机器学习算法之一的原因。随机森林使用称为套袋的技术,这是一种整体方法。 在深入了解随机森林之前,让我们花一些时间……

查看帖子
主成分分析的详细说明

在这篇文章中,我们将研究PCA的工作原理并有助于降低尺寸。但是在此之前,让我们先了解一些了解PCA的先决条件。 Prerequisites 让我们了解不同类型的矩阵。下面的列表仅介绍了可用的其他类型的矩阵。 Matrix: 表示为(行x列)空矩阵:将所有元素都为0的矩阵称为空矩阵行矩阵:行矩阵是只有一个rowColumn的矩阵...

查看帖子
决策树详细说明

决策树(基于树的算法)具有很高的可解释性和直观的算法。它的工作原理与人的决策工作几乎相同。我们可以将其视为嵌套的if和else语句,形成上下颠倒的树。 因此,很容易向业务团队解释该模型的结果。 如上图所示,在每个节点上,我们都会提出问题,并根据答案向左或向右走。另外,请注意...的叶子

查看帖子
支持向量机的详细说明

有很多算法可用于解决分类问题,例如逻辑回归,朴素贝叶斯(Naive Bayes)等。尽管这些算法在整个行业中都很流行和使用,但是它们无法对复杂的分类任务进行分类,例如图像分类,语音检测等。 支持向量机也称为SVM,能够处理相当复杂的问题,其中逻辑回归等模型大多会失败。 SVM算法的一些属性和用例……

查看帖子
套索和岭回归的详细说明

在线性回归中,我们看到模型的复杂度不受控制。线性回归仅试图使误差最小(例如MSE),并且可能导致任意复杂的系数。 我们正在开发的模型应该尽可能简单,而不是简单。 正则化是用于创建最佳复杂模型的过程,即在训练数据上表现良好的同时尽可能简单的模型。  正如我们从模型上方的图表中看到的那样……

查看帖子
Logistic回归详细说明

Logistic回归是一种二元分类模型,即在输出为分类变量的情况下将有助于做出预测。 我们不能画一条线并将数据点分为两类。因此我们可以使用也称为S形曲线的曲线。乙状结肠功能表示为: $$ 1 \ over {1 + e ^ {-(\ beta_0 + \ beta_1x)}} $$ 众所周知,线性回归表示为: $$ h_ \ theta(x)= w ^ Tx $$ 而Logistic回归表示为\(h_ \ theta(x)= g(w ^ Tx ...

查看帖子
订阅机器学习