機器學習優秀博客推薦

原創 象牙塔小明 2020-06-17 12:07

線性迴歸（Linear Regression）
決策樹（Decision Tree）
聚類（Clustering）-機器學習_周志華
直觀的解釋SVM和SVR
峯度與偏度（python，pandas）

發表評論
所有評論
還沒有人評論，想成為第一個評論的人麼? 請在上方評論欄輸入並且點擊發布.
相關文章

2020算法面試總結（二）

這部分只要是說一些深度學習方面的面試總結。 機器學習擬合問題 如何判斷擬合情況 通過看訓練集誤差和驗證集誤差對比 欠擬合：訓練集和驗證集的誤差都較大，但相差很少 適度擬合：訓練集和驗證集的誤差都很低 過擬合：訓練集誤差較低，驗證集

干啥啥不行下课散会 2020-07-05 12:51:20

決策樹參數調優建議

建議一： 三個最重要的參數爲:樹的數目、樹的深度和學習率。建議參數調整策略爲: – 採用默認參數配置試試 – 如果系統過擬合了,降低學習率 – 如果系統欠擬合,加大學習率 建議二： – n_estimators和learning_rate

二月鳥 2020-06-24 01:34:51

2020面試機器學習問題總結

在這個部分中，主要總結一些機器學習部分的面試問題，我會按我的思路不斷的填充，豐富。 1.機器學習基礎 先分爲有監督和無監督模型兩部分 在有監督模型中，分爲生成模型、判別模型 生成模型：每一類單獨學習，新樣本在哪一類上的預測概率最大

干啥啥不行下课散会 2020-06-22 06:52:45

機器學習11-神經網絡綜合運用

小結一下使用神經網絡時的步驟：     網絡結構：第一件要做的事是選擇網絡結構，即決定選擇多少層以及決定每層分別有多少個單元。第一層的單元數即我們訓練集的特徵數量。最後一層的單元數是我們訓練集的結果的類的數量。如果隱藏層數大於 1，確保每

新之 2020-06-19 10:13:02

機器學習步驟——以房價預測爲例

導入數據 數據清洗 數據清洗的一些梳理 查看數據，對數據有一個直觀的理解，初步發現一些問題； 例如：kaggle房價預測先查看每個數據的具體意義和數據類型和Exel對比。 kaggle房價預測數據集的具體描述 缺失值清洗 格式內

象牙塔小明 2020-06-18 06:13:50

機器學習sklearn數據預處理：歸一化-標準化/區間縮放-調整尺度/正態化

在sklean的預處理方法中主要有三種,每一種都有函數方法和類方法兩種使用方法： 歸一化-標準化：normalize()函數/Normalizer()類 區間縮放-調整尺度: minmax_scale函數/MinMaxScaler

象牙塔小明 2020-06-17 12:58:49

科研論文知識研討分享

(Su et al., EMNLP 2018)Discriminative Deep Dyna-Q：Robust Planning for Dialogue Policy Learning 目的 區分判斷出這兩者：世界模型生成的模

静心净气 2020-06-17 12:42:17

BPCLSTM

于小勇 2020-05-24 04:26:04

L-BFGS算法簡介

math_computer 2020-04-27 10:22:08

可變形卷積的理解極其源碼分析

于小勇 2020-04-23 17:13:45

深入理解ResNet原理解析及代碼實現

于小勇 2020-04-01 20:07:14

NO.1 機器學習乾貨與代碼參數詳解

船长_wang 2020-03-12 09:56:31

3.10機器學習複習

船长_wang 2020-03-12 09:56:31

梯度提2.25 升決策樹

船长_wang 2020-02-26 01:52:43

機器學習cv

船长_wang 2020-02-26 01:52:43