技術 Day11-集成學習Ensemble Learning(bagging/boosting)

使用多種學習算法來獲得比單獨使用任何單獨的學習算法更好的預測效果 集成學習 通過建立幾個模型組合來解決單一預測問題 所用來組合的多個模型之間要有差異...

技術 Day18-K-means Clustering

總的來說就是物以類聚 K-means Clustering 將數據集中的數據點分成不同群組，以便相似的數據點彼此靠近 選擇K值: 決定要將資料分成...

技術 Day24-CART（Classification and Regression Trees）

是一種決策樹 決策樹 根據特徵進行分割(同子集內盡量相似) 重複分割直到達到設定的深度 建構決策樹 對決策樹進行遍歷，得出結果 CART流程 所有的樹...

技術 Day15-stacking

為強學習機融合方法 stacking 第一層為level 0，第二層為level 1 第一層可包含多個學習機，第二層只能有一個 第一層的學習機被稱為...

技術 Day12-Adaboost

原理 組合多個弱學習機來構建一個強學習機 將每個樣本的權重初始化為相等的值 建構弱分類器 將誤差大的資料權重加大 重複２跟３ 加權投票決定結果 建構弱...

技術 Day8-SGDregressor (Stochastic Gradient Descent Regressor)

前幾天的迴歸模型中，我們希望找到一個函數能最好的表達因變數與自變數之間的關係，而尋找這個函數的方法就是定義損失函數(loss function)或稱成本函數(...