-
训练模型 定义模型 定义损失函数 定义偏差大小 定义一个线性回归模型 找到偏差最小的一个函数 针对很大的一个数据集来说 不关心正负只在意绝对值 跟平方 一个分类问题 再考虑一个优化算法 模型评估 从历史数据中学习出来的 评估方法 交叉验证 效果评估 准确率 （特征工程 featurn engineering）查看全部
-
确认目标 业务需求 数据 特征工程 举例：滴滴打车 历史数据收集 特征工程占比 大约在百分之70 模型的训练过程中 能做的调成对性能的提升效果不大 特征工程做的好与坏 更重要查看全部
-
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
-
算法的三种分类方法： 第一种： 有监督、无监督、半监督 第二种： 分类与回归、聚类、标注 第三种： 生成（概率性的结果）、判别（肯定性的结果）查看全部
-
技术手段的不同查看全部
-
数据分析与机器学习在解决业务问题中的区别查看全部
-
数据分析：主要用于分析关系型数据库数据。 交易数据、少量数据、采样分析。 机器学习：主要用于分析NoSQL。 行为数据、海量数据、全量分析。查看全部
-
机器学习框架查看全部
-
常见算法查看全部
-
机器学习常见算法查看全部
-
机器学习的标准工作流程查看全部
-
常见算法-2 自然语言处理：LDA-文本分析；Word2Vector - 文本挖掘；HMM、CRF查看全部
-
机器学习常见算法查看全部
-
apriori 华人算法查看全部
-
损失函数用来评价模型的精确性，也就是偏差 让损失函数求最小，就是优化算法。查看全部
举报
0/150
提交
取消