決策樹的深度：max_depth=2 非參數(shù)學(xué)習(xí) 可以解決分類問題、多分類問題、回歸問題 非常好的可解釋性 計(jì)算信息熵 pruning 剪枝分的...
投稿
收錄了8篇文章 · 8人關(guān)注
-
決策樹
-
隨機(jī)梯度下降Batch Gradient Descent：某1點(diǎn)的θ的梯度值，每1項(xiàng)都要對(duì)所有的樣本進(jìn)行計(jì)算，前面都有，樣本中所有信息批量進(jìn)行計(jì)算。 樣本量...
-
信息熵機(jī)器學(xué)習(xí)是個(gè)熵降的過程一個(gè)具體事件的信息量應(yīng)該是隨著其發(fā)生概率而遞減的，且不能為負(fù)。 信息量 信息量和信息熵 信息量，熵，交叉熵，相對(duì)熵與代價(jià)函...
-
梯度下降并不是所有函數(shù)都有唯一的極值點(diǎn) 多次運(yùn)行，隨機(jī)化初始點(diǎn) 梯度下降法的初始點(diǎn)也是一個(gè)超參數(shù) 目標(biāo)：使盡可能小 線性回歸法的損失函數(shù)具有唯一的最優(yōu)解...
-
邏輯回歸邏輯回歸 解決分類問題 把任意值，映射到(0, 1)之間；判定邊界 將樣本的特征 和 樣本發(fā)生的概率 聯(lián)系起來，概率是1個(gè)數(shù) 邏輯回歸得到1個(gè)概...
-
3.房價(jià)預(yù)測Baseline
代碼地址：appke/Los-House-Prices: 洛杉磯房價(jià)預(yù)測 房價(jià)預(yù)測Baseline 暴力填充 訓(xùn)練模型 評(píng)估結(jié)果 制作訓(xùn)練集、評(píng)...
-
1.人工智能的Pipeline代碼地址：appke/Los-House-Prices: 洛杉磯房價(jià)預(yù)測 人工智能的Pipeline 數(shù)據(jù)清洗清洗數(shù)據(jù)處理數(shù)據(jù)如何做特征工程，如...
-
線性回歸根據(jù)已知數(shù)據(jù)，找到一個(gè)模型，來做預(yù)測 可視化 建立假設(shè) Y = kx+b 利用 diabetes(糖尿病)數(shù)據(jù)集來學(xué)習(xí)線性回歸 Linear R...
-
機(jī)器學(xué)習(xí)導(dǎo)論喂給算法大量數(shù)據(jù)，訓(xùn)練出模型 給算法大量數(shù)據(jù)，讓算法在數(shù)據(jù)中尋找規(guī)律(關(guān)系)，從而執(zhí)行智能任務(wù) 不確定世界中的真實(shí)問題，與經(jīng)典問題相比，沒有標(biāo)準(zhǔn)...
{var%20f='http://v.t.sina.com.cn/share/share.php?appkey=1881139527',u=z||d.location,p=['&url=',e(u),'&title=',e(t||d.title),'&source=',e(r),'&sourceUrl=',e(l),'&content=',c||'gb2312','&pic=',e(p||'')].join('');function%20a(){if(!window.open([f,p].join(''),'mb',['toolbar=0,status=0,resizable=1,width=440,height=430,left=',(s.width-440)/2,',top=',(s.height-430)/2].join('')))u.href=[f,p].join('');};if(/Firefox/.test(navigator.userAgent))setTimeout(a,0);else%20a();})(screen,document,encodeURIComponent,'','','https://upload.jianshu.io/collections/images/1680148/%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD.jpg', '推薦專題《人工智能》（ 分享自 @簡書 ）','http://m.itdecent.cn/c/960a0db657a4?utm_campaign=maleskine&utm_content=collection&utm_medium=reader_share&utm_source=weibo','頁面編碼gb2312|utf-8默認(rèn)gb2312'));){kind=link}