发布于 | 更新于 | 分类于 机器学习| 0
本文已收录于 机器学习笔记 系列，共计 20 篇，本篇是第 11 篇

聚类可以解决实际中的什么问题？ 聚类是一种无监督学习方法，所谓无监督学习就是数据没有标签。 物以类聚人以群分，聚类顾名思义就是将一些属性相似的东西归结在一起。 现实中，例如银行对客户群，哪些客户是可以盈利的，而哪些客户是不仅不挣钱还要赔钱的。我们可以将他们划分出来，以便后续的营销使用。这就是客户群划 …

阅读全文 »

发布于 | 更新于 | 分类于 机器学习| 标签 | 0
本文已收录于 机器学习笔记 系列，共计 20 篇，本篇是第 10 篇

分类树和回归树的区别 除了MSE还有MAE可以作为树的评价指标。   特征过多？   回归树效果 决策树不仅仅可以做分类问题、也可以做回归问题，它画出来的图大概长下面的样子： 他并不是一条直线而是有点像股票那样的曲折。 提示：一般我们做回归用的是、决策树做回归用的还是比较少的。 …

阅读全文 »

发布于 | 更新于 | 分类于 Python| 标签 | 0

原因：缺少Graphviz 环境，Graphviz 仅仅用pip install 的方式下载是不够的，因为pip包仅仅是一个接口，还需要去Graphviz 的官网下载安装这个软件。 官网：http://www.graphviz.org/download/ 直接让软件帮我们配置好PATH： 目录你自行 …

阅读全文 »

发布于 | 分类于 Python| 标签 | 0

我们通过开始菜单启动Jupyter Notebook默认是从C盘启动，打开后只显示C盘的文件夹。 如果想从任意位置启动或者从任意位置打开Jupyter Notebook文件。只需要先进入到文件夹。 如果浏览器未能自动打开，可以复制上面的网址手动在浏览器中访问：

发布于 | 更新于 | 分类于 机器学习| 0
本文已收录于 机器学习笔记 系列，共计 20 篇，本篇是第 9 篇

前序课程：集成方法 提升方法：将弱的可学习算法提升为强的可学习算法。其中提升方法是集成学习中的一种。   AdaBoost算法 准确的来说Adaboost是boosting的其中一种方法。采用了exponential loss function（其实就是用指数的权重）。 AdaBoost是 …

阅读全文 »

发布于 | 更新于 | 分类于 机器学习| 标签 | 0
本文已收录于 机器学习笔记 系列，共计 20 篇，本篇是第 8 篇

前序文章：集成算法 Bagging算法（英语：Bootstrap aggregating，引导聚集算法），又称装袋算法，是机器学习领域的一种集成学习算法。   如何生成多个臭皮匠？ 本质是放回式采样。 现在我们有一组数据，其中70%是训练数据，剩下的30%是测试数据。测试数据是为了验证我们 …

阅读全文 »

发布于 | 更新于 | 分类于 机器学习| 标签 、、、| 0
本文已收录于 机器学习笔记 系列，共计 20 篇，本篇是第 7 篇

前序课程：支持向量机 支持向量机：线性可分支持向量机与软间隔最大化 支持向量机：线性可分支持向量机与硬间隔最大化   提升决策树的准确性性能 在之前我们学习过决策树，现在我们考虑下如何提升决策树的准确性。 使用集成学习方法，集成学习方法有两个主要类别，分别是序列方法和并行方法。他们主要有代 …

阅读全文 »

发布于 | 更新于 | 分类于 机器学习| 标签 、、| 0
本文已收录于 机器学习笔记 系列，共计 20 篇，本篇是第 6 篇

前序课程 支持向量机学习路线，请学习本节软间隔最大化之前先看之前的硬间隔最大化。支持向量机：线性可分支持向量机与硬间隔最大化   软间隔优化：解决过于“严格”划分问题 软间隔：数据中的噪音。 之前的方法过于“严格”，我们要求所有点都分的对，先分的对，再要求间隔最大。而现在，我们认为这个要求 …

阅读全文 »

发布于 | 分类于 技术随笔| 标签 、、| 0

在计算器上计算e的x次方（假设x=4），步骤如下： 1、用科学计算器数字键输入1，如下图： 2、按红框这个键，如下图： 3、再按红框这个键，如下图： 4、再按红框这个键，如下图： 5、数字键输入4，如下图： 6、按红框这个“=”，答案就出来了，如下图： 结果：e^4=54.5981500331442 …

阅读全文 »