摘要：
目录 推荐系统 一、导入模块 二、收集数据 三、数据预处理 3.1 无评分电影处理 四、协同过滤算法-基于用户的推荐 4.1 余弦相似度 4.2 数据标准化处理 五、预测 六、测试 更新、更全的《机器学习》的更新网站，更有python、go、数据结构与算法、爬虫、人工智能教学等着你：https:// 阅读全文
摘要：
目录 手写数字识别应用程序 一、导入模块 二、图像转向量 三、训练并测试模型 四、模型转应用程序 4.1 展示图片 4.2 处理图片 4.3 预测图片 更新、更全的《机器学习》的更新网站，更有python、go、数据结构与算法、爬虫、人工智能教学等着你：https://www.cnblogs.com 阅读全文
摘要：
目录 基于协同过滤的推荐算法 一、实验设计——训练集M折交叉验证 二、评测指标 2.1 准确率/召回率 2.2 覆盖率 2.3 新颖度 三、基于领域的算法 3.1 基于用户的协同过滤算法 3.1.1 UserCF推荐算法 3.1.2 User-IIF推荐算法 3.2 基于物品的协同过滤算法 3.3 阅读全文
摘要：
目录 推荐系统常用评估指标 一、RMSE 二、MAE 三、Precision(准确率)&Recall(召回率) 四、覆盖率 五、信息熵 六、基尼系数 七、多样性 八、获取各种评测指标的途径 九、长尾分布 更新、更全的《机器学习》的更新网站，更有python、go、数据结构与算法、爬虫、人工智能教学等 阅读全文
摘要：
目录深度学习-图像识别一、人脸定位二、手工提取特征的图像分类2.1 识图认物2.2 传统分类系统的特征提取2.3 计算机眼中的图像2.4 什么是图像特征？2.5 卷积运算2.6 利用卷积提取图像特征三、基于神经网络的图像分类3.1 传统图像分类系统和深度神经网络3.2 深度神经网络的架构3.3 卷积 阅读全文
摘要：
目录模型选择一、模型选择学习目标二、机器学习基本假设2.1 损失函数2.2 目标函数三、参数模型和非参数模型3.1 参数模型3.2 非参数模型四、过拟合五、过拟合解决方法5.1 收集更多训练数据5.2 选择简单模型5.2.0.1 示例5.3 正则化5.3.1 L1正则化5.3.2 L2正则化5.4 阅读全文
摘要：
目录主成分分析代码(手写数字识别)一、导入模块二、数据预处理三、KNN训练数据3.1 准确度四、降维(2维)4.1 KNN训练数据4.2 准确度4.3 二维特征方差比例五、查看原始数据特征方差比例5.1 主成分所占方差比例六、保留原始维度的80%的维度6.1 查看主成分个数6.2 降维(13维)6. 阅读全文
摘要：
目录scikit-learn库之主成分分析一、PCA1.1 使用场景1.2 代码1.3 参数1.4 属性1.5 方法二、KernelPCA三、IncrementalPCA四、SparsePCA五、MiniBatchSparsePCA 更新、更全的《机器学习》的更新网站，更有python、go、数据结 阅读全文
摘要：
目录主成分分析(PCA)一、维数灾难和降维二、主成分分析学习目标三、主成分分析详解3.1 主成分分析两个条件3.2 基于最近重构性推导PCA3.2.1 主成分分析目标函数3.2.2 主成分分析目标函数优化3.3 基于最大可分性推导PCA3.4 核主成分分析(KPCA)四、主成分分析流程4.1 输入4 阅读全文
摘要：
目录特征选择一、特征选择学习目标二、特征选择引入三、特征选择详解3.1 无关特征和冗余特征3.2 过滤式特征选择3.2.1 卡方检验3.2.2 方差过滤3.2.3 相关系数过滤3.2.4 F检验3.2.5 互信息过滤3.3 包裹式特征选择3.3.1 递归特征消除3.4 嵌入式特征选择3.5 高级特征 阅读全文
摘要：
目录特征预处理一、特征预处理学习目标二、特征预处理详解2.1 缺失值处理2.1.1 删除缺失值2.1.2 填充缺失值2.2 离群值处理2.2.1 获取离群值2.2.2 离群值处理2.3 数据类型转换2.3.1 自定义数据类型编码2.3.2 scikit-learn数据类型编码2.3.3 独热编码2. 阅读全文
摘要：
目录scikit-learn库之随机森林一、RandomForestClassifier1.1 使用场景1.2 代码1.3 参数1.4 属性1.5 方法二、RandomForestRegressor 更新、更全的《机器学习》的更新网站，更有python、go、数据结构与算法、爬虫、人工智能教学等着你 阅读全文
摘要：
目录随机森林代码(葡萄酒质量检测)一、导入模块二、导入数据三、数据预处理四、训练模型五、度量模型 更新、更全的《机器学习》的更新网站，更有python、go、数据结构与算法、爬虫、人工智能教学等着你：https://www.cnblogs.com/nickchen121/p/11686958.htm 阅读全文
摘要：
目录Bagging算法和随机森林一、Bagging算法和随机森林学习目标二、Bagging算法原理回顾三、Bagging算法流程3.1 输入3.2 输出3.3 流程四、随机森林详解4.1 随机森林和Bagging算法区别五、随机森林拓展5.1 Extra Trees5.2 Totally Rando 阅读全文
摘要：
目录XgBoost算法一、XgBoost算法学习目标二、XgBoost算法详解2.1 XgBoost算法参数2.2 XgBoost算法目标函数2.3 XgBoost算法正则化项2.4 XgBoost算法最小化目标函数2.5 XgBoost算法举例三、XgBoost算法优缺点3.1 优点3.2 缺点四 阅读全文
摘要：
目录梯度提升算法代码(鸢尾花分类)+交叉验证调参一、导入模块二、导入数据三、构造决策边界四、训练模型4.1 可视化五、交叉验证训练模型5.1 找到合适n_estimators5.2 找到合适max_depth和min_samples_split5.3 使用最优参数训练模型5.4 使用非最优参数训练模 阅读全文
摘要：
目录scikit-learn库之梯度提升树一、GradietBoostingClassifier1.1 使用场景1.2 参数1.3 属性1.4 方法二、GradietBoostingClassifier 更新、更全的《机器学习》的更新网站，更有python、go、数据结构与算法、爬虫、人工智能教学等 阅读全文
摘要：
目录梯度提升树一、梯度提升树学习目标二、梯度提升树详解2.1 梯度提升树和提升树三、回归梯度提升树流程3.1 输入3.2 输出3.3 流程四、梯度提升树优缺点4.1 优点4.2 缺点五、小结 更新、更全的《机器学习》的更新网站，更有python、go、数据结构与算法、爬虫、人工智能教学等着你：htt 阅读全文
摘要：
目录提升树一、提升树学习目标二、提升树引入三、提升树详解3.1 加法模型3.2 前向分步算法3.3 提升树与AdaBoost算法3.4 回归提升树3.4.1 前向分步算法3.4.2 平方误差损失函数四、回归提升树流程4.1 输入4.2 输出五、流程六、提升树优缺点6.1 优点6.2 缺点七、小结 更 阅读全文
摘要：
目录AdaBoost算法代码(鸢尾花分类)一、导入模块二、导入数据三、构造决策边界四、训练模型4.1 训练模型(n_e=10, l_r=0.8)4.2 可视化4.3 训练模型(n_estimators=300, learning_rate=0.8)4.4 训练模型(n_estimators=300, 阅读全文