目录1 lightGBM1.1 lightGBM演进过程1.2 AdaBoost算法1.3 GBDT算法以及优缺点1.4 启
目录1 前向算法求HMM观测序列的概率1.1 流程梳理1.2 算法总结1.3 HMM前向算法求解实例
目录1 最优模型的构建方法2 XGBoost的目标函数推导2.1 目标函数确定2.2 CA
目录1 马尔科夫链1.1 简介1.2 经典举例1.3 小结2 HMM简介2.1 简单案例2.2 案例进阶2.2.1 问题阐述2.2.2 问题解决3 HMM模型基础3.1 什么样的问题需要HMM模型3.2 HMM模型的定义3.3 一个HMM模型实例3.4 HMM观测序列的生成3.5 HMM模型的三个基本问题4 前向后向算法评估观察序列概率4.1 回顾HMM问题一：求观测序列的概率
目录1 java多线程的使用2 shutdown和shutdownNow区别源码解析2.1 shutdown案例2.2 sh
目录1 xgboost算法api介绍1.1 xgboost的安装2 xgboost参数介绍2.1 通用参数（general param
目录1 初识EM算法2 EM算法介绍2.1 极大似然估计2.1.1 问题描述2.1.2 用数学知识解决现实问题2.1.3 最大似然函数估计值的求解步骤2.2 EM算法实例描述2.3 EM算法流程3 EM算法实例
目录1 朴素贝叶斯算法简介2 概率基础复习2.1 概率定义2.2 案例：判断女神对你的喜欢情况2.3 联合概率
目录1 SVM算法简介1.1 SVM算法导入1.2 SVM算法定义1.2.1 定义1.2.2 超平面最大间隔介绍1.2.3多球之后，仍然适用。”
目录1 SVM的损失函数2 SVM的核方法2.1 什么是核函数2.1.1 核函数概念2.1.2 核函数举
目录1 定义输入数据2 线性可分支持向量机3 SVM的计算过程与算法步骤3.1 推导目标函
目录1 SVM算法api1.1 SVM算法api综述1.2 SVC1.3 NuSVC1.4 LinearSVC1.5 小结2 案例：数字识别器2.1 案例背景介绍2.2 数据介绍2.3 案例实现4 SVM总结4.1 SVM基本综述4.2 SVM优缺点1 SVM算法api1.1 SVM算法api综述SVM方法既可以用于分类（二/多分类），也可用于回归和异常值检测。
目录1 面向对象之继承1.1 继承的概念1.2 单继承1.3 多继承1.4 子类重写父类同名方法和属性1.5 子类调用父类的同名方法和
目录1 Canopy算法配合初始聚类1.1 实现流程1.2 Canopy算法优缺点2 K-means++3 二分k-means4 k-medoids（k-中心聚类算法）5 Kernel k-means6 ISODATA7 Mini Batch K-Means8
目录1 认识聚类算法1.1 聚类算法在现实中的应用1.2 聚类算法的概念1.3 聚类与分类最大的区别1.4 小结2 聚类算法api初步使用2.1 api介绍2.2 案例2.2.1流程分析2.2.2 代码实现
目录1 集成学习算法简介1.1 什么是集成学习1.2 机器学习的两个核心任务1.3 集成学习中boosting和Bagging1.4 小结2 Bagging和随机森林2.1 Bagging集成原理2.2 随机森林构造过程
目录1 误差平方和2 “肘”方法3 轮廓系数法4 CH系数5 小结1 误差平方和误差平方和(SSE \The sum of squares due to error)具体概念通过如下举例介绍
目录1 原理概述2 算法描述3 简单实例3.1 实例计算过程3.2 回归决策树和线性回归对比4 小结1 原理概述前面已经讲到，关于数据类型，我们主要可以把其分为两类
目录1 决策树算法api2 泰坦尼克号乘客案例背景2.1 步骤分析2.2 代码实现2.3 决策树可视化2.3.1 保存树的结构到dot文件2.3.2 网站显示结构3 决策树总结
目录1 为什么要剪枝2 常用的减枝方法2.1 预剪枝2.2 后剪枝3 小结1 为什么要剪枝在决策树学习中，为了尽可能正确分类训练样本，结点划分过程将不断重复
目录1 决策树算法简介2 决策树分类原理2.1 熵2.1.1 概念2.1.2 案例2.2 划分依据一 ：信息增益2.2.1 概念2.2.2 案例2.3 划分依据二
目录1 分类评估方法1.1 精确率与召回率1.1.1 混淆矩阵1.1.2 精确率与召回率1.2 F1-score1.3 分类评估报告api2 ROC曲线与AUC指标2.1 TPR与FPR2.2 ROC曲线2.3 AUC指标2.4 AUC计算API2.5
目录1 逻辑回归的应用场景2 逻辑回归的原理2.1 输入2.2 激活函数3 损失以及优化3.1 损失3.2 优化4 小结1 逻辑回归的应用场景逻辑回归（Logistic Regression）
目录1 逻辑回归api介绍2 案例：癌症分类预测-良／恶性乳腺癌肿瘤预测2.1 背景介绍2.2 案例分析2.3 代码实现2.4 小结
目录1 损失函数2 优化算法2.1 正规方程2.1.1 什么是正规方程2.1.2 正规方程求解举例2.1.3 正规方程的推导2.2 梯度下降2.2.1 什么是梯度下降2.2.2 梯度的概念2.2.3 梯度下降举例2.2.4 梯度下降公式3 梯度下降和正规方程的对比3.1 两种方法对比3.2 算法选择依据4 小结
目录1 线性回归api介绍小结2 波士顿房价预测2.1 案例背景介绍2.2 案 梯度下降法2.5 小结
目录1 详解梯度下降算法1.1梯度下降的相关概念复习1.2 梯度下降法的推导流程
目录1 定义2 原因以及解决办法3 正则化3.1 什么是正则化3.2 正则化类别4 小结简单)
目录1 正则化线性模型1.1 岭回归1.2 Lasso 回归1.3 弹性网络1.4 Early Stopping1.5 小结2 线性回归的改进-岭回归2.1 API2.2 正则化程度变化2.3 波士顿房价预测2.4 小结3 模型的保存和加载3.1 sklearn模型的保存和加载API3.2 线性回归的模型保存加载案例3.3 tips3.4 小结
目录1 线性回归API2 举例2.1 步骤分析2.2 代码过程3 小结1 线性回归API机器学习线
Copyright © 2005-2023 51CTO.COM 版权所有 京ICP证060544号
