IP屬地：北京
-
K-Means聚類算法理論與代碼實踐簡介 K均值聚類，也叫做K-Means Clustering，是一種著名的用于分類問題的無監(jiān)督機器學習聚類算法。聚類是針對給定的樣本， 依靠它們...
-
集成學習——Bagging和Boosting簡介 集成學習，顧名思義就是將多種學習器或算法結(jié)合在一起，共同做出決策。這符合人類集思廣益的做法，在業(yè)界也是應(yīng)用最為廣泛的方法之一。注意，集成學...
-
機器學習中的特征工程（五）---- 特征選擇方法
簡介 大概是今年6月份參加微信大數(shù)據(jù)挑戰(zhàn)賽的時候，我才開始認識到特征選擇也是機器學習中非常重要的一環(huán)。在諸如CTR等比賽中，原始特征往往是不足以...
-
ID3、C4.5、CART決策樹生成算法總結(jié)簡介 決策樹模型是最常見的機器學習方法之一，也是入門機器學習必須掌握的知識。決策樹模型呈現(xiàn)樹形結(jié)構(gòu)，在分類問題中，表示基于特征對實例進行分類的過...
-
機器學習中的特征工程（四）---- 特征離散化處理方法簡介 特征離散化指的是將連續(xù)特征劃分離散的過程：將原始定量特征的一個區(qū)間一一映射到單一的值。離散化過程也被表述成分箱（Binning）的過程。特...
-
機器學習中的特征工程（三）---- 序數(shù)和類別特征處理方法簡介 本文主要說明特征工程中關(guān)于序數(shù)特征和類別特征的常用處理方法。主要包含LabelEncoder、One-Hot編碼、DummyCoding、...
-
樸素貝葉斯（Naive Bayes）算法理論與實踐簡介 樸素貝葉斯(naive Bayes)算法是基于貝葉斯定理與特征條件獨立假設(shè)的分類方法。對于給定的訓練數(shù)據(jù)集，首先基于特征條件獨立假設(shè)學習輸...
-
機器學習中的特征工程（二）---- 數(shù)值類型數(shù)據(jù)處理簡介 在介紹比較復雜的數(shù)據(jù)類型比如圖像和文本數(shù)據(jù)類似之前，我們首先從最簡單的數(shù)據(jù)類似開始，即：數(shù)值類型。我們收集到的數(shù)據(jù)中，數(shù)值類型數(shù)據(jù)占據(jù)了大...
-
機器學習中的特征工程（一）---- 概覽前言 上個月參加了微信大數(shù)據(jù)挑戰(zhàn)賽，由于是第一次參加類似的比賽，并沒有什么經(jīng)驗，最終也沒有進復賽。不過在這期間還是學到了很多知識，尤其是特征處理...