中文翻译Introduction to Linear Algebra, 5th Edition 6.1节
2022-01-18 16:06:08
203KB
1
机器学习起源于上世纪50年代，1959年在IBM工作的Arthur Samuel设计了一个下棋程序，这个程序具有学习的能力，它可以在不断的对弈中提高自己。由此提出了“机器学习”这个概念，它是一个结合了多个学科如概率论，优化理论，统计等，最终在计算机上实现自我获取新知识，学习改善自己的这样一个研究领域。机器学习是人工智能的一个子集，目前已经发展出许多有用的方法，比如支持向量机，回归，决策树，随机森林，强化方法，集成学习，深度学习等等，一定程度上可以帮助人们完成一些数据预测，自动化，自动决策，最优化等初步替代脑力的任务。本章我们主要介绍下机器学习的基本概念、监督学习、分类算法、逻辑回归、代价函数、损失函数、LDA、PCA、决策树、支持向量机、EM算法、聚类和降维以及模型评估有哪些方法、指标等等。
2021-12-21 21:45:42
9.21MB
1
开始学习机器学习基础，在此留下学习心得与自己的理解。
啥也不说，先看一下鸢尾花啥样
原创文章 21获赞 17访问量 1688
关注
私信
展开阅读全文
作者：会飞的小猪崽儿
2021-11-25 22:11:56
65KB
1
线性模型1. 用于二分类的线性模型2. 用于多分类的线性模型
线性模型也同样应用于分类问题。
1. 用于二分类的线性模型
首先我们看一下二分类，预测公式：
这个公式上一篇博文里面的线性回归公式非常相似，但是我们没有返回特征的加权求和，而是为预测设置了阈值（0）。如果函数值小于0，我们就预测类别-1；若函数值大于0，我们就预测类别+1。
最常见的两种线性分类算法是Logistic回归和线性支持向量机（线性SVM）
在这里我们将两个模型应用在forge数据集上，并将线性模型找到的决策边界可视化。
运行代码如下：
from sklearn.linear_model import LogisticR
2021-11-13 16:09:57
57KB
1