目录K-近邻算法决策树 - ID3朴素贝叶斯逻辑回归支持向量机集成算法线性回归CART - 分类回归树K-Mean（K-均值聚类）Apriori（先验算法，关联规则挖掘算法）FP-growth（Frequent Pattern Growth，用于发现频繁项集）协同过滤（Collaborative Filtering，推荐算法）极大似然估计（Maximum Likelihood Estimate，M
转载
2024-08-01 16:45:40
25阅读
1：ReiiefRelief算法最早由Kira提出，最初局限于两类数据的分类问题。Relief算法是一种特征权重算法(Feature weighting algorithms)，根据各个特征和类别的相关性赋予特征不同的权重，权重小于某个阈值的特征将被移除。Relief算法中特征和类别的相关性是基于特征对近距离样本的区分能力。算法从训练集D中随机选择一个样本R，然后从和R同类的样
转载
2024-01-01 06:12:16
118阅读
作者：Philipp Wirth 编译：ronghuaiyang导读几种流行的优化器的介绍以
转载
2022-08-21 00:03:13
87阅读
几种流行的优化器的介绍以及优缺点分析，并给出了选择优化器的几点指南。
转载
2021-06-24 16:36:22
76阅读
机器学习算法选择
没有最好的分类器，只有最合适的分类器。
数据维度越高，随机森林就比AdaBoost强越多，但是整体不及SVM。
数据量越大，神经网络就越强。
1、K近邻
典型KNN，它的思路就是——对于待判断的点，找到离它最近的几个数据点，根据它们的类型决定待判断点的类型。
它的特点是完全跟着数据走，没有数学模型可言。
适用情景：
需要一个特别容易解释的模型的时候。
比如需要向用户解释原因的
原创
2023-07-11 09:12:23
247阅读
作者：Philipp Wirth编译：ronghuaiyang导读几种流行的优化器的介绍以及优缺点分析，并给出了选择优化器的几点指南。本文概述了计算机视觉、自然语言处理和机器学习中常用的...
转载
2021-08-30 17:50:17
21阅读
点击上方“机器学习与生成对抗网络”，关注"星标"获取有趣、好玩的前沿干货！来源：AI公园作者：Philipp Wirth编译：ronghuaiyang导读几种流行的优化器...
转载
2021-07-12 15:56:58
215阅读
几种流行的优化器的介绍以及优缺点分析，并给出了选择优化器的几点指南。
转载
2021-07-27 13:56:48
49阅读
第4步：特征工程或许比选择算法更重要的是正确选择表示数据的特征。从上面的列表中选择合适的算法是相对简单直接的，然而特征工程却更像是一门艺术。主要问题在于我们试图分类的数据在特征空间的描述极少。利如，用像素的灰度值来预测图片通常是不佳的选择；相反，我们需要找到能提高信噪比的数据变换。如果没有这些数据转换，我们的任务可能无法解决。利如，在方向梯度直方图（HOG）出现之前，复杂的视觉任务（像行人检测或面
原创
2023-05-31 11:15:52
175阅读
结合CFS特征选择算法与机器学习的探索之旅
=================================
在当今数据驱动的时代，特征选择成为了提升机器学习模型性能的关键步骤。特征选择不仅能够减少计算复杂度，同时也能有效防止过拟合现象的发生。其中，CFS（Correlation-based Feature Selection）特征选择算法因其判别能力和计算效率广受瞩目。本篇文章将深入探讨CF
特征选择基本概念特征选择如何进行特征选择子集搜索前向搜索后向搜索双向搜索子集评价基于评价准则划分特征选择方法过滤式选择包裹式选择嵌入式选择 基本概念特征选择和提取的目的： 经过选择或变换，组成识别特征，尽可能保留分类信息，在保证一定分类精度的前提下，减少特征维数，使分类器的工作既快又准。基本任务：如何从许多特征中找出那些最有效的特征。特征的类别：物理的、结构的、数学的三类。物理和结构特征：容易被
# 深度学习中如何选择优化器
在深度学习中，优化器是模型训练过程中不可或缺的一部分。选择合适的优化器可以显著提高训练效率和模型性能。然而，面对众多优化器的选择，许多新手常常感到困惑。本文将探讨如何选择优化器，并借助实际示例来说明这一过程。
## 常见优化器
在深度学习中，常用的优化器有：
1. **SGD（随机梯度下降）**
2. **Momentum**
3. **Adagrad**
4
# 机器学习分类算法及代码实现指南
## 引言
欢迎阅读本文，作为一名经验丰富的开发者，我将会指导你如何实现机器学习分类算法及相应的代码编写。在这个过程中，我会详细介绍整个流程并提供必要的代码示例，帮助你快速上手。
## 流程概览
为了更好地理解机器学习分类算法的实现过程，我们可以将其分为以下几个步骤：
```mermaid
stateDiagram
[*] --> 数据收集
原创
2024-03-30 04:46:31
149阅读
机器学习多分类算法是一种强大的技术，它使得计算机能够根据数据模型进行复杂的分类任务，如文本分类、图像识别等。在本文中，我们将详细介绍机器学习多分类算法的实现过程，并配合流程图、架构图、代码示例等多种形式对其进行分析，以便读者能够更直观地理解其工作原理和应用场景。
## 背景描述
在许多实际问题中，我们常常需要将数据分为多个类别。机器学习的多分类算法正是用来解决这一类问题的。以下是一个处理多分类
模式识别中进行匹配识别或者分类器分类识别时，判断的依据就是图像特征。用提取的特征表示整幅图像内容，根据特征匹配或者分类图像目标。常见的特征提取算法主要分为以下3类：基于颜色特征：如颜色直方图、颜色集、颜色矩、颜色聚合向量等；基于纹理特征：如Tamura纹理特征、自回归纹理模型、Gabor变换、小波变换、MPEG7边缘直方图等；基于形状特征：如傅立叶形状描述符、不变矩、小波轮廓描述符等；LBP特征提
转载
2023-07-24 18:57:06
128阅读
特征选择是机器学习中非常重要的一步，在训练模型之前，我们需要选择合适的特征来进行预测。特征选择的目的是从原始数据中选择一部分特征，使得选出的特征能够更好地表示样本的特征，提高模型的准确性和泛化能力。特征选择的方法有很多种，其中一种常用的方法是基于特征的概率密度函数进行选择。
特征的概率密度函数描述了特征的分布情况，可以通过概率密度函数来计算特征的重要性。如果一个特征的概率密度函数在不同类别的样本
原创
2023-12-05 08:29:30
124阅读
1）特征选择理论 一份数据有很多属性，但有些属性可能很关键，另一些没有用。从给定特征集中选择出相关特征子集的过程称为特征选择。特征选择是一个重要的数据预处理过程。一般在正式的数据处理之前进行。 特征选择是一个重要的数据预处理过程，他不仅可以降低数据维数，以节省时间，简化分析，规避“维度灾难”，更可以去除无关特征，抓住主要矛盾，使分析结果更加准确。同时，采用特征选择算法还便于理解和可视化数据，降
转载
2023-11-14 10:27:27
70阅读
用过滤法对以下数据进行特征选择 [[0,2,0,3], [0,1,4,3], [0,1,1,3]] 要求： 1、Variance Threshold（threshold =1.0） 2、将结果截图放上来（没有条件的备注说明原因）注意：每个人的电脑ID是不一样的 from sklearn.featur
原创
2022-12-01 11:05:06
135阅读
1、为什么要进行特征选择目前我的理解是，能够简化模型，起到降维的作用。2、如何进行特征选择其实很简单，将数据
原创
2023-01-04 18:02:58
98阅读
1 综述(1) 什么是特征选择特征选择 ( Feature Selection )也称特征子集选择( Feature Subset Selection , FSS ) ，或属性选择( Attribute Selection ) ，是指从全部特征中选取一个特征子集，使构造出来的模型更好。 (2) 为什么要做特征选择 &
