发帖
雷达卡
机器学习应用几个点：
a, 预测
训练模型，模型给的结果负无穷到正无穷
算法：
多元线性回归
神经网络
b, 分类
训练模型，模型给的结果是其中某一个类别号
算法：
贝叶斯分类，使用场景，文本分类
朴素贝叶斯，Naive Bayes，其中以相互独立为假设去计算
拉普拉斯估计，是把取0变成1，当然为了公平，每个特征都加一
词袋模型，一篇文章打乱等价于一堆词
c, 聚类
d, 推荐
算法：
基于物品的协同过滤
e, 关联规则
支持度 置信度
算法：
Apriori
f, 降维
1，机器学习是什么?
数据-->训练，带入算法计算-->模型
2，如何可以使得模型更好？
a,增加数据
b,调整算法
3，算法是公式！
4，数据是公式里面的X和Y
5，模型是什么？
参数！计算机计算模型的过程，说白了就是求解方程组的过程！
求解模型，就是要找到最优解，误差最小的时候就是最优解！
6，什么是最好的模型？
尽可能的让误差最小！
误差定义称为损失函数！
7，多元线性回归
-- 预测
y = w1*x1 + w2*x2 + wn*xn + w0
正无穷到负无穷
线性，Xi,Y变化符合一条直线
回归，回归到平均值
案例：保险的案例
a, age进行了平方？
是让数据更加适应算法，更加符合线性变化
b, bmi30*smoker？
是在你更了解业务数据的情况下
8，神经网络 -- 预测
输入层
输出层
隐藏层，可以有多个隐藏层，隐含的推理出来的开始特征的可能性
已有的数据-->算法训练-->生成模型
案例：水泥的强度
a, 增加了隐藏层的隐藏节点的个数
b, 为了避免过拟合，测试集来测模型的效果，多数的数据用于训练，少数的数据用于测试
京公网安备 11010802022788号
