- 博客(3)
- 收藏
- 关注
RSS订阅
原创 一文读懂逻辑回归、详细回归
一、线性回归1.概念 对于一组特征，使用线性方程来进行拟合，对结果进行预测，公式如下：2.代价函数 线性回归选取的损失函数是均方误差，均方误差表示所有样本到该预测函数的欧式距离最小，代价函数如下：对每一个θ进行求导，便可以求取θ的值：更新： ，其中α为学习率3.如何选取α，如何停止更新权值&nbs
2020-06-30 07:05:30
273
原创 一文看懂机器学习-样本不均衡问题
这里简单以二分类问题说明，如果正负样本比例为1:100，这样的比例是必须得考虑的问题，也得解决样本不均匀的问题，否则训练出来的模型会具有偏向性。例如：样本中有980个正样本，20个负样本，这样模型只需要输出结果为正样本，就可以达到99.8%的正确率，但是这样的模型是没有意义的，不具备泛化性。常用的处理方式：欠抽样：将样本较多的一类，删除样本，其实二类样本数量基本保证一致，无明显差异，但是这样会造成样本的信息损失，影响模型的性能；过抽样：增加扩展样本较少的一类，两类样本数量基本达到一致，但是需要重新收
2020-06-29 09:43:28
681
原创 机器学习--特征工程
一、为什么要做特征工程？在工业也流行着一句话：“数据和特征决定了机器学习的上限，而模型和算法知识逼近这个上限的方式”，由此可见，拥有适用于当前问题的数据和特征是至关重要的，因此做特征工程目的就是拥有更加适合当前问题的数据和特征。二、数据预处理2.1 缺失错误值处理错误值处理方式：前期收集数据，数据源来源不同，可能造成数据格式不统一，需要统一格式；对于数值型的数据，某个样本出现字符型数据，可以进行人工查验或删除该数据。缺失值处理方式:删除所在的行或列；取中位数、众数、均值；使用算法预测。2.2 数
2020-06-27 16:41:21
351
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人