IP屬地：上海
-
你敢來試試嗎用狱？這是觸及人類理解極限的概念之一【熵】
你是否曾為這樣的場面駐足？ 無論是電影也好填抬，魔術(shù)也罷实檀，這些在現(xiàn)實(shí)生活中原本不可能出現(xiàn)的場景，總是能第一時(shí)間抓住我們的眼球丁频。 所有的這些“不可能”概括起來說就是：違反了自然界普...
-
17. 決策樹參數(shù)實(shí)例使用鳶尾花數(shù)據(jù)集構(gòu)建決策樹 決策樹參數(shù) 1 熵/Gini系數(shù)作為評判指標(biāo) 2 splitter: 所有或隨機(jī)在特征中找最好的切分點(diǎn) 3 max_features: None(...
-
-
人工智能領(lǐng)域的百科全書改基，非常適合小白和新手入門 AI 領(lǐng)域。<br>現(xiàn)在市面上大家看到的絕大部分 AI 資料都是追求嚴(yán)謹(jǐn)?shù)摹袄砉た铺鞎笨@個(gè)世界不缺少嚴(yán)謹(jǐn)真確晦澀難懂的 AI 資料秕狰，但是很缺容易理解的內(nèi)容。<br>我們希望拋開復(fù)雜的公式躁染，復(fù)雜的邏輯鸣哀，復(fù)雜的專用名詞。做一套文科生也能看懂的 AI 知識(shí)庫吞彤。
-
一文看懂分類模型的評估指標(biāo)：準(zhǔn)確率我衬、精準(zhǔn)率、召回率饰恕、F1挠羔、ROC曲線、AUC曲線
機(jī)器學(xué)習(xí)模型需要有量化的評估指標(biāo)來評估哪些模型的效果更好埋嵌。本文將用通俗易懂的方式講解分類問題的混淆矩陣和各種評估指標(biāo)的計(jì)算公式破加。將要給大家介紹的評估指標(biāo)有：準(zhǔn)確率、精準(zhǔn)率雹嗦、召...
-
-
-
微信公眾號(hào)：曲曲菜<br>知乎專欄：<a href="https://zhuanlan.zhihu.com/ququcai" rel="nofollow" target="_blank">https://zhuanlan.zhihu.com/ququcai</a><br>GitHub：<a href="https://github.com/ququcai" rel="nofollow" target="_blank">https://github.com/ququcai</a>
-
無監(jiān)督學(xué)習(xí)1田藐、無監(jiān)督學(xué)習(xí)的類型 無監(jiān)督學(xué)習(xí)常見的兩種類型是：數(shù)據(jù)集變換和聚類。數(shù)據(jù)集變換吱七，就是創(chuàng)建數(shù)據(jù)集新的表示算法汽久，與數(shù)據(jù)的原始原始表示相比，新的表示可能更容易被人或其他機(jī)器學(xué)習(xí)算法...
-
監(jiān)督學(xué)習(xí)(八)——決策樹集成：梯度提升回歸樹
梯度提升回歸樹是另一種決策樹集成方法踊餐，通過合并多個(gè)決策樹來構(gòu)建一個(gè)更為強(qiáng)大的模型景醇。雖然名字中含有“回歸”，但這個(gè)模型既可以用于回歸也可以用于分類吝岭。與隨機(jī)森林方法不同三痰，梯度提升...
-
監(jiān)督學(xué)習(xí)(七)——決策樹集成：隨機(jī)森林決策樹經(jīng)常會(huì)對訓(xùn)練數(shù)據(jù)進(jìn)行過擬合散劫，也就是訓(xùn)練數(shù)據(jù)精度高稚机，而預(yù)測結(jié)果很低。隨機(jī)森林就是許多決策樹的集合获搏，每一棵決策樹跟其他決策樹都不同赖条，每棵樹都會(huì)不同方式的過擬合，那么對這些樹...
