IP屬地：上海
-
你敢來試試嗎早敬？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(chǎng)面駐足天梧？ 無論是電影也好，魔術(shù)也罷遵倦，這些在現(xiàn)實(shí)生活中原本不可能出現(xiàn)的場(chǎng)景梦抢，總是能第一時(shí)間抓住我們的眼球。 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(píng)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)域的百科全書隐圾，非常適合小白和新手入門 AI 領(lǐng)域伍掀。<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)摹袄砉た铺鞎保@個(gè)世界不缺少嚴(yán)謹(jǐn)真確晦澀難懂的 AI 資料暇藏，但是很缺容易理解的內(nèi)容蜜笤。<br>我們希望拋開復(fù)雜的公式，復(fù)雜的邏輯盐碱，復(fù)雜的專用名詞把兔。做一套文科生也能看懂的 AI 知識(shí)庫。
-
一文看懂分類模型的評(píng)估指標(biāo)：準(zhǔn)確率瓮顽、精準(zhǔn)率县好、召回率、F1暖混、ROC曲線缕贡、AUC曲線
機(jī)器學(xué)習(xí)模型需要有量化的評(píng)估指標(biāo)來評(píng)估哪些模型的效果更好。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(píng)估指標(biāo)的計(jì)算公式。將要給大家介紹的評(píng)估指標(biāo)有：準(zhǔn)確率晾咪、精準(zhǔn)率收擦、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、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)集變換和聚類曹洽。數(shù)據(jù)集變換鳍置，就是創(chuàng)建數(shù)據(jù)集新的表示算法，與數(shù)據(jù)的原始原始表示相比送淆，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税产，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。雖然名字中含有“回歸”偷崩，但這個(gè)模型既可以用于回歸也可以用于分類辟拷。與隨機(jī)森林方法不同，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(duì)訓(xùn)練數(shù)據(jù)進(jìn)行過擬合，也就是訓(xùn)練數(shù)據(jù)精度高谒出，而預(yù)測(cè)結(jié)果很低隅俘。隨機(jī)森林就是許多決策樹的集合，每一棵決策樹跟其他決策樹都不同笤喳，每棵樹都會(huì)不同方式的過擬合为居，那么對(duì)這些樹...
