machine learning-model总结
来源:互联网 发布:淘宝卖家怎么投诉盗图 编辑:程序博客网 时间:2024/06/14 16:19
算法部分
ml-分类算法
回归
- 梯度下降
现在我们要调整θ使得J(θ)取得最小值,为了达到这个目的,我们可以对θ取一个随机初始值(随机初始化的目的是使对称失效),然后不断地迭代改变θ的值来使J(θ)减小,直到最终收敛取得一个θ值使得J(θ)最小。梯度下降法就采用这样的思想:对θ设定一个随机初值,然后迭代进行以下更新。
直到收敛,这里的α称为学习率learning rate。
梯度方向由J(θ)对θ 的偏导数决定,由于要求的是最小值,因此对偏导数取负值得到梯度方向。将J(θ)代入可得到总的更新公式。
下面的更新规则称为LMS update rule(least mean squares),也称为Widrow-Hoff learning rule。
对于如下更新算法:
由于在每一次迭代都考察训练集的所有样本,而称为批量梯度下降batch gradient descent。
如果参数更新计算算法如下:
这里我们按照单个训练样本更新θ的值,称为随机梯度下降stochastic gradient descent。比较这两种梯度下降算法,由于batch gradient descent在每一步都考虑全部数据集,因而复杂度比较高,随机梯度下降会比较快地收敛,而且在实际情况中两种梯度下降得到的最优解J(θ)一般会接近真实的最小值。所以对于较大的数据集,一般采用效率较高的随机梯度下降法。
参考:http://www.cnblogs.com/fanyabo/p/4060498.html
决策树
参考:http://www.cnblogs.com/hsydj/p/5853954.html
构建方法:
- 深度优先
- 广度优先
策树节点分裂终止条件:
贝叶斯
SVM
ANN
Deep-NN
优化算法
ml-聚类算法
ml-关联分析
推荐系统
模型方面
数据预处理部分
参数调优
模型评价
python
大数据平台
0 0
- machine learning-model总结
- Characteristics of Machine Learning Model
- machine learning model 简单罗列
- 《Machine-Learning》课程总结
- 【Machine Learning】笔记:Logistic Regression Model
- Machine Learning Python Code --- Gaussian Mixture Model
- machine learning的网站总结
- machine learning网站总结
- machine learning的网站总结
- Structuring Machine Learning Projects总结
- CalTech machine learning, video 9 note(the Linear Model II)
- CS281: Advanced Machine Learning 第二节 Generative model
- Machine Learning Notes I: The Standard Linear Model
- 【Machine Learning】笔记:无监督学习之 Deep Generative Model
- 一些machine learning的网站总结
- 一些machine learning的网站总结
- 一些machine learning的网站总结
- 一些machine learning的网站总结
- jQuery 切换特效/动画效果
- 归并排序
- React Native 组件的默认属性Props的两种写法
- python使用writerows写csv文件产生多余空行
- Android开发之初学Retrofit
- machine learning-model总结
- Direct3D学习笔记(一)——精灵(Bomo_catcher游戏)
- UGUI的按钮监听事件
- 异步委托
- java中死锁,并发,web缓存的相关问题
- Spring框架学习(6):bean的作用域
- app专项的网络测试和Fiddler弱网模拟
- 【LeetCode】01 Matrix 解题报告
- 快速排序