Python机器学习笔记——概述
来源:互联网 发布:php程序员的工作常态 编辑:程序博客网 时间:2024/06/05 05:02
无监督学习典型任务:聚类、降维
聚类:根据数据相似性将数据分类。
- sklearn.cluster模块:K-Means,近邻传播算法,DBSCAN
标准数据输入格式:[样本个数,特征个数]定义的矩阵形式。
相似性矩阵输入格式:[样本个数]定义的矩阵形式,元素为样本相似度。
降维:保证数据特征或分布前提下,将高维数据转化为低维数据。
- sklearn.decomposition模块:PCA,FastICA,NMF,LDA
监督学习的典型任务:分类、回归
利用一组带有标签的数据,学习从输入到输出的映射,然后将这种映射关系应用到未知数据上,达到分类或回归的目的。
分类:输出是离散的
- sklearn.neighbors 模块:KNeighborsClassifier
训练集/测试集的划分方法:根据已有标注数据,随机选出一部分数据(70%)数据作为训练数据,余下的作为测试数据,此外还有交叉验证法,自助法用来评估分类模型。
- 精确率 = 正例且预测为正 / 预测为正
- 召回率 = 正例且预测为正 / 正例
- 准确率 = 预测正确 / 所有样本
常用算法:
- k近邻(knn)
- 朴素贝叶斯(naivebayes)
- 支持向量机(svm)
- 决策树 (decision tree)
- 神经网络模型(Neural networks)
回归:输出是连续的
了解两个或多个变数间是否相关,研究其相关方向与强度 。
- sklearn.linear_model 模块:线性回归函数
普通线性回归函数( LinearRegression)、岭回归(Ridge)、Lasso
- sklearn.preprocessing 模块:非线性回归函数
多项式回归(PolynomialFeatures)
强化学习:试错学习
强化学习是程序或智能体(agent)通过与环境不断地进行交互,学习一个从环境到动作的映射,学习的目标就是使累计回报最大化。
在各种环境下尽量尝试所有可选动作,通过环境反馈(即奖励)判断动作优劣,从而获得环境和最优动作的映射关系(即策略)。
- 马尔可夫决策过程(Markov Decision Process)
- 蒙特卡洛强化学习
- Q-learning
- 深度强化学习(DRL) 如:Deep Q Network(DQN)
阅读全文
0 0
- Python机器学习笔记——概述
- 机器学习笔记——机器学习概述
- 机器学习笔记(十六)——EM算法概述
- 《机器学习》学习笔记1——绪论 机器学习概述
- Python学习笔记:概述
- [机器学习]机器学习笔记整理02-机器学习概述
- Python机器学习笔记——无监督学习
- Python机器学习笔记——监督学习
- Python机器学习笔记——强化学习
- python机器学习笔记
- 机器学习(一)——机器学习概述
- Python学习笔记(1)——Python学习笔记以及概述
- 斯坦福机器学习笔记——学习资源和课程概述
- Python 《机器学习实战》学习笔记(一)——机器学习基础
- 可扩展机器学习——概述
- 机器学习笔记——kd树及python实现
- [机器学习]机器学习笔记整理03-深度学习概述
- Python机器学习实战<二>:机器学习概述
- Android中View创建的流程
- BZOJ3687 简单题 解题报告 【递推】【bitset】
- jpa Specification使用
- 单例模式与多线程(二)
- 全局变量重复定义
- Python机器学习笔记——概述
- unity中使用www加载本地资源
- 普元 EOS Platform 7.6 webservice图元添加自定义Header
- 块存储、文件存储、对象存储
- 高并发下生成订单唯一流水号的方法
- mysql数据库日期以字符串形式存储
- 类模板为什么不分文件
- openLayer3地图的使用心得
- 扫雷