请选择 进入手机版 | 继续访问电脑版
楼主: CDA网校
13021 29

[每天一个数据分析师] 机器学习模型方法总结 [推广有奖]

  • 3关注
  • 60粉丝

管理员

学术权威

45%

还不是VIP/贵宾

-

威望
3
论坛币
164852 个
通用积分
841.4442
学术水平
159 点
热心指数
164 点
信用等级
143 点
经验
96148 点
帖子
2268
精华
13
在线时间
2452 小时
注册时间
2019-9-11
最后登录
2021-12-1

初级热心勋章

CDA网校 学生认证  发表于 2021-11-11 10:15:26 |显示全部楼层

+2 论坛币
k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群
赵安豆老师微信:zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

感谢您参与论坛问题回答

经管之家送您两个论坛币!

+2 论坛币

机器学习是一类算法的总称,这些算法企图从大量历史数据中挖掘出其中隐含的规律,并用于预测或者分类,更具体的说,机器学习可以看作是寻找一个函数,输入是样本数据,输出是期望的结果,只是这个函数过于复杂,以至于不太方便形式化表达。需要注意的是,机器学习的目标是使学到的函数很好地适用于“新样本”,而不仅仅是在训练样本上表现很好。


按任务类型分,机器学习模型可以分为回归模型、分类模型和结构化学习模型。回归模型又叫预测模型,输出是一个不能枚举的数值;分类模型又分为二分类模型和多分类模型,常见的二分类问题有垃圾邮件过滤,常见的多分类问题有文档自动归类;结构化学习模型的输出不再是一个固定长度的值,如图片语义分析,输出是图片的文字描述。


从方法的角度分,可以分为线性模型和非线性模型,线性模型较为简单,但作用不可忽视,线性模型是非线性模型的基础,很多非线性模型都是在线性模型的基础上变换而来的。非线性模型又可以分为传统机器学习模型,如SVM,KNN,决策树等,和深度学习模型。


按照学习理论分,机器学习模型可以分为有监督学习,半监督学习,无监督学习,迁移学习和强化学习。当训练样本带有标签时是有监督学习;训练样本部分有标签,部分无标签时是半监督学习;训练样本全部无标签时是无监督学习。迁移学习就是就是把已经训练好的模型参数迁移到新的模型上以帮助新模型训练。强化学习是一个学习最优策略,可以让本体在特定环境中,根据当前状态,做出行动,从而获得最大回报。强化学习和有监督学习最大的不同是,每次的决定没有对与错,而是希望获得最多的累计奖励。


对于机器学习模型方法的总结,涉及以下:

  • 线性回归
  • Logistic
  • 决策树
  • 随机森林
  • 提升方法( GBDT ,XGBoost)
  • 提升方法(主要是 AdaBoost)
  • SVM
  • 朴素贝叶斯
  • K近邻法
  • 人工神经网络(深度学习)
  • EM
  • kmean聚类
  • 降维算法(PCA ,因子分析)

地址:https://edu.c da.cn/goods/show/2665?targetId=3923&preview=0
image.png




二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

关键词:机器学习 模型方法 logistic adaboost ogistic

已有 4 人评分经验 收起 理由
kongqingbao280 + 100 精彩帖子
wwqqer + 100 精彩帖子
remlus + 100 精彩帖子
np84 + 100 精彩帖子

总评分: 经验 + 400   查看全部评分

CDA网校http://edu.cda.cn)专注于数据科学与人工智能技术的在线教育平台。内容涵盖数据分析、机器学习、深度学习、人工智能、TensorFlow、PyTorch、知识图谱等众多核心技术及其行业案例,自由灵活的在线学习方式,让每一个学员快速掌握AI时代最前沿的技术!
stata SPSS
512661101 发表于 2021-11-11 19:48:53 |显示全部楼层
谢谢分享!!!!!

使用道具

三重虫 发表于 2021-11-11 20:44:13 |显示全部楼层

使用道具

lonestone 在职认证  发表于 2021-11-12 06:46:28 来自手机 |显示全部楼层
CDA网校 发表于 2021-11-11 10:15
机器学习是一类算法的总称,这些算法企图从大量历史数据中挖掘出其中隐含的规律,并用于预测或者分类,更具 ...
谢谢老板的分享

使用道具

bzfq21 发表于 2021-11-12 09:29:54 来自手机 |显示全部楼层
马克

使用道具

junyun0315 在职认证  发表于 2021-11-12 09:57:04 |显示全部楼层

使用道具

olympic 发表于 2021-11-12 11:49:41 |显示全部楼层

谢谢楼主分享

使用道具

qiushenjie_1 学生认证  发表于 2021-11-12 22:29:22 |显示全部楼层

使用道具

xujingjun 发表于 2021-11-13 09:53:14 |显示全部楼层

使用道具

kenwtj 在职认证  发表于 2021-11-13 18:27:41 |显示全部楼层
谢谢楼主分享!!

使用道具

您需要登录后才可以回帖 登录 | 我要注册

京ICP备16021002-2号 京B2-20170662号 京公网安备 11010802022788号 论坛法律顾问:王进律师 知识产权保护声明   免责及隐私声明

GMT+8, 2021-12-1 23:59