-
解决问题框架查看全部
-
解决问题的框架： 一：确定目标 业务需求；知道要做什么。 数据；学习的基础。 特征工程；ETL阶段。 二：训练模型（重点） 定义模型；确定算法。 定义损失函数；找出算法的偏差。 优化算法；对算法进行优化。 三：模型评估 交叉验证；将不同的算法带入同一类数据中，验证效果。 效果评估；可以看出几个算法之间具体的差别、效果。查看全部
-
常见算法查看全部
-
机器学习算法查看全部
-
本质区别查看全部
-
无监督学习，结果未知。由算法自己分类查看全部
-
有监督学习，结果已知查看全部
-
记录1查看全部
-
购物篮分析 关联规则查看全部
-
机器学习算法分类： 算法分类 -----有监督学习（分类算法、回归算法），无监督学习（训练数据没有y值-聚类），半监督学习（强化学习，随样本增多数据结果越理想） -----分类与回归 聚类 标注（文本切词，给每一个文本添加标签） ------生成模型 判别模型————重点 -------------主要用于分类问题，生成模型用于解决分类问题的概率，判别模型直接出----------------结果非1即2查看全部
-
ctr预估——百度的搜索排名，预估用户的点击概率 协同过滤——亚马逊对用户潜在购物需求的推荐查看全部
-
朴素贝叶斯——垃圾邮件的识别 决策树——银行在放贷时对用户的还款能力评估查看全部
-
聚类————用户群细分和提炼：应用示例：移动的全球通、动感地带等品牌划分查看全部
-
关联规则————————啤酒和尿不湿的关联销售查看全部
-
机器学习常见算法查看全部
举报
0/150
提交
取消