16篇文章 · 6741字 · 4人關(guān)注
-
為什么用余弦相似度讥蟆，而不是歐式距離？
一纺阔、為什么用余弦相似度瘸彤，而不是歐式距離笛钝？ 余弦相似度：取值范圍[-1,1]余弦距離=1-余弦相似度：取值范圍[0,2] 余弦相似度在高維的情況下...
-
邏輯回歸LR模型的總結(jié)
“邏輯回歸假設數(shù)據(jù)服從伯努利分布,通過極大化似然函數(shù)的方法低零，運用梯度下降來求解參數(shù)，來達到將數(shù)據(jù)二分類的目的” 上面這句話是對邏輯回歸的一個高度...
-
xgboost是如何處理缺失值的
缺失值的處理辦法： 刪除法： 簡單刪除法：此方法將存在缺失值的數(shù)據(jù)條目（對象掏婶，元組，記錄）進行刪除 權(quán)重法：當缺失值的類型為非完全隨機缺失的時候...
-
LR模型權(quán)重的獲取方法
classifier.coef_
-
箱線圖箱線圖五要素： 最大值 四分之三分位數(shù) 中位數(shù) （圖中紅線） 四分之一分位數(shù) 最小值
-
異常點檢測-孤立森林異常點檢測-孤立森林Isolation Forest 1.基于劃分的思想：假設我們用一個隨機超平面來切割（split）數(shù)據(jù)空間（data spa...
-
kmeans最優(yōu)k值的確定方法-手肘法和輪廓系數(shù)法手肘法 - 核心指標：SSE(sum of the squared errors依溯，誤差平方和) Ci是第i個簇 p是Ci中的樣本點 mi是Ci的...
-
ID3、C4.5黎炉、CART枝秤、隨機森林、bagging慷嗜、boosting淀弹、Adaboost、GBDT薇溃、xgboost簡要介紹
ID3 C4.5 CART 隨機森林 bagging boosting Adaboost GBDT xgboost
-
機器學習：常見的損失函數(shù)
損失函數(shù)簡要介紹 0-1損失 絕對值損失 log對數(shù)損失函數(shù) 平方損失函數(shù) 指數(shù)損失函數(shù) Hinge損失函數(shù) 損失函數(shù) 用來評價模型的預測值和真...
