机器学习算法选择（分类二）

据集比较大的情况，首先选择基于决策树的集成学习方法。当然，其他不同的模型也都可以与不同的集成学习策略相结合，进一步提升模型效果，但集成学习通常也会使模型更加复杂，增加训练和推理的计算成本。

机器学习笔记之性能度量

对学习器的泛化性能进行评估，不仅需要有效可行的实验估计方法，还需 要有衡量模型泛化能力的评价标准，这就是性能度噩(performance measure).性能度最反映了任务需求，在对比不同模型的能力时，使用不同的性能度量往往会导致不同的评判结果；这意味着模型的 “好坏 ” 是相对的，什么样的模型

机器学习笔记之NFL定理

最重要的寓意，是让我们清楚地认识到，脱离具体问题，空泛地谈论 “什么学习算法更好” 毫无意义，因为若考虑所有潜在的问题，则所 有学习算法都一样好．要谈论算法的相对优劣，必须要针对具体的学习问题；在 某些问题上表现好的学习算法，在另一些问题上却可能不尽如人意，学习算法自身的归纳偏好

机器学习学术速递3[01.17]

Grid Emergency Control via Deep Meta Reinforcement Learning标题：基于深元强化学习的电网应急控制学习与快速适应作者：Renke Huang,Yujiao Chen,Tianzhixi Yin,Qiuhua Huang,Jie Tan

机器学习生命周期

本专栏用于自学笔记的记录，如有不当，请谅解，喷子请绕道。 机器学习使计算机系统能够自动学习而无需明确编程。但是机器学习系统是如何工作的呢？所以，可以用机器学习的生命周期来描述。机器学习生命周期是构建高效机器学习项目的循环过程。生命周期的主要目的是找到问题或项目的解决方案。

机器学习笔记之评估方法

通常，我们可通过实验测试来对学习器的泛化误差进行评估并进而做出选择为此，需使用一个 “测试集” (testing set)来测试学习器对新样本的判别能力，然后以测试栠上的 ＂ 测试误差” (testing error)作为泛化误差的近似． 通常我们假设测试样本也是从样本真实分布中独立同分布采样曲得．

连接可信机器学习的不同主题

接近零。这种被称为 “对抗攻击” 的方法，和神经网络易受攻击的特性，给包括无人驾驶在内的 AI 应用带来很大的安全隐患。人们对这一现象的本质提出了多种角度的理解，比如认为对抗噪音也是一种特征。为了解决这一问题，最常使用的方法是对抗训练，即用生成的对抗样本和原样本一起训练模型。很多

分享机器学习趋势论文（三）

孰弱。作者们的分析表明，原始的GNN嵌入就有能力编码知识图中的隐含信息，但是无法建模谓词之间的依赖关系，也就是无法处理马尔科夫逻辑网络的后向参数化。为了解决这个问题，作者们设计了ExpressGNN架构，其中有额外的几层可调节的嵌入，作用是对知识图中的实体做层次化的编码。        

【机器学习算法】XGBoost

正则项 树分裂（树结构）打分算法： 总结 XGBoost包的特点 2. XGBoost参数 通用参数 1、booster[默认gbtree] 2、silent[默认0] 3、nthread[默认值为最大可能的线程数] booster参数 1、eta[默认0.3]

机器学习（三）：线性模型

有时这些输入的属性值并不能直接被我们的学习模型所用，需要进行相应的处理，对于连续值的属性，一般都可以被学习器所用，有时会根据具体的情形作相应的预处理，例如：归一化等；对于离散值的属性，可作下面的处理： 若属性值之间存在 “序关系”，则可以将其转化为连续值，例如：身高属性分为“高”“中等”“矮”，可转化为数值：{1，

【机器学习】机器学习概叙

标值(标签值)，有些数据没有目标值(如上表中，电影类型就是这个数据集的目标值) 数据>>>模型   新数据>>>预测数据集：75%测试集：25% 数据类型构成:  数据类型一:特征值+目标值(目标值是连续的和离散的) 

【7天入门机器学习活动】火热招募中！！！

0基础挑战机器学习！7天精品课程搭配视频教学！轻松掌握机器学习！细讲从数据到模型的每一步，以具体案例出发。融合算法原理和工具使用，轻松上手机器学习。详细操作资料搭配视频教学，解决难点痛点问题，更有机会获得500元代金券等奖品。拒绝观望，治愈“技术恐慌”，立刻踏上AI之路！报名链接：https://activity

机器学习的应用

用数据存取机制实现数据的高效读写。机器学习在数据分析与挖掘领域中拥有无可取代的地位，2012年Hadoop进军机器学习领域就是一个很好的例子。模式识别模式识别起源于工程领域，而机器学习起源于计算机科学，这两个不同学科的结合带来了模式识别领域的调整和发展。模式识别研究主要集中在两个

机器学习算法介绍—聚类算法

前面的算法中的一个显著特征就是我的训练数据中包含了标签，训练出的模型可以对其他未知数据预测标签。在下面的算法中，训练数据都是不含标签的，而算法的目的则是通过训练，推测出这些数据的标签。这类算法有一个统称，即无监督算法(前面有标签的数据的算法则是有监督算法)。无监督算法中最典型的代表就是

机器学习笔记之自助法

我们希望评估的是用D训练出的模型．但在留出法和交叉验证法中，由千保留了一部分样本用千测试，因此实际评估的模型所使用的训练集比D小，这 必然会引入一些因训练样本规模不同而导致的估计偏差．留一法受训练样本规 模变化的影响较小，但计算复杂度又太高了． 有没有什么办法可以减少训练样 本规

浙大机器学习，模型导入报错

有监督机器学习和无监督机器学习的核心哲学

有监督机器学习的核心哲学：使用“数据驱动”方法让计算机可以学习输入/输出之间的正确映射。它需要一系列“标记”记录，其中包含训练集中的输入和期望的输出，以便将输入到输出的映射学习为一种准确的行为表现。可以用下面这个图来表示：无监督机器学习的核心哲学：让计算机学习输入的内部结构而不是

机器学习的分类

目标和结果为概念，或者说是为了获得概念的学习。典型的概念学习主要有示例学习。（2）规则学习：学习的目标和结果为规则，或者为了获得规则的学习。典型规则学习主要有决策树学习。（3）函数学习：学习的目标和结果为函数，或者说是为了获得函数的学习。典型函数学习主要有神经网络学习。 （4）类

机器学习概念了解

1、什么是机器学习？ 机器学习是指通过大量的训练集来对自己建好的模型进行训练学习，最后使计算机在没有被明确编程的情况下，仍然能够进行学习的能力。     2、什么是训练集，是用来做什么的？ 训练所用的问题和答案叫做训练集，训练集是

【机器学习算法专题（蓄力计划）】十四、机器学习中逻辑回归

文章目录 一.简介 二. 代码实现 三. 校验 训练模型 查看loss值变化 绘制决策边界： 与sklearn对比 损失函数为何不用mse? 一.简介 逻辑回归(LogisticRegression)简单来看就是在线性回归模型外面再套了一个