1
推荐
1976
阅读
深度学习笔记2：手写一个单隐层的神经网络
笔记1中我们利用 numpy 搭建了神经网络最简单的结构单元：感知机。笔记2将继续学习如何手动搭建神经网络。我们将学习如何利用 numpy 搭建一个含单隐层的神经网络。单隐层顾名思义，即仅含一个隐藏层的神经网络，抑或是成为两层网络。 继续回顾一下搭建一个神...
0
推荐
1793
阅读
深度学习笔记1：利用numpy从零搭建一个神经网络
很多人说深度学习就是个黑箱子，把图像预处理之后丢进 tensorflow 就能出来预测结果，简单有效又省时省力。但正如我在上一篇推送中所说，如果你已是一名功力纯厚的深度学习工程师，这么做当然没问题。但我想大多数人也和我一样，都是走在学习深度学习的路上，一上来就上框架并没有什么特别不妥之处，但总归是对你理解深...
0
推荐
2093
阅读
谈谈过拟合
在尚未接触机器学习之前，笔者在学习统计学中的回归分析的时候，曾经对R2这个指标盲目迷信，总是前方百计的想提R2的值，想必学统计出身的诸位必然也有此经历。后来历经艰辛，明白真实世界所拿到的数据不可能有教材给你的那么完美，数据的拟合程度若有五六十则是比较好的情况，二三十的情形则再常见不过。 前段时间...
1
推荐
5633
阅读
利用scikit-learn进行机器学习：特征工程（二）特征选择
特征选择 1 概述 2 特征选择之Filter 2.1 方差选择法 2.2 卡方检验法 2.3 互信息法 3 特征选择之Wrapper 3.1 递归式特征消除法 4 特征选择之Embedded 4.1 基于惩罚项的特征选择法 4.2 基于树模型的特征选择法1 概述 ...
2
推荐
2611
阅读
利用scikit-learn进行机器学习：特征工程（一）数据预处理
对于机器学习，业内早有这样的说法：“数据和特征决定了你机器学习模型效果的上限，而模型和算法只是逐渐逼近这个上限而已。”小编不才，在机器学习方面只尝试过一些简单的数据建模过程，但对这种观点深以为然。在全球数据科学顶级比赛kaggle里面，特征工程往往被众多资深kaggler们所重视，一言以敝之，机器...
0
推荐
4520
阅读
【机器学习】决策树总结|ID3 C4.5/C5.0 CHAID CART与QUEST
目录● 概要● 决策树模型 ● 特征选择 ● 决策树学习 ● 决策树剪枝● 决策树算法 ● ID3 ● C4.5/C5.0 ● CHAID ● CART ● QUEST概要决策树作为一种基本的分类与回归方法（更多时候指分类），是学习数据...
0
推荐
2523
阅读
kaggle：谁是NBA最佳防守球员？（二）
接着前几天发的关于kaggle中NBA球员投篮数据探索性数据分析和可视化分析之后，小编本打算对这13万的投篮数据跑几个机器学习模型预测一下投篮的，可是电脑内存不给力，试了几次之后便作罢了。还打算第一次试一下kaggle上被传的神乎其技的大杀器xgboost的呢。机器学习的模型都写好了，有图为证：于是便转而去做特征构造，...
0
推荐
1826
阅读
如何像一个机器学习老司机一样跟别人解释SVM算法？
接着前面朴素贝叶斯、贝叶斯网络和神经网络算法之后，笔者继续往后学习了其他分类算法，本期给大家介绍声名斐然的SVM，也就是支持向量机（Support Vector Machines）算法。不过说实话，这东西确实不好弄懂，更不好跟大伙解释清楚，所以写起来更不容易。在断断续续硬啃了几天理论和公式之后，就去CSDN...
1
推荐
4046
阅读
朴素贝叶斯和贝叶斯网络算法及其R语言实现
最近在硬怼data mining，总算把几个月前说好的正面刚算法的计划给开了个头。毕竟在小编的计划中将来是打算偏机器学习的，不懂算法实现肯定是转型无望了。既然小编是做贝叶斯方向的，所以数据挖掘算法这块就先从贝叶斯分类器开始，原本以为花不了多少时间，可这两年终归是离扎实的数学计算训练太远了，就算是正面刚...