機器學習常見問題整理? | 就愛喝咖啡
![機器學習常見問題整理?](https://i.imgur.com/B2oemyF.jpg)
2019年1月9日—機器學習常見問題整理?...答:理解實際問題,抽象成數學模型(分類、迴歸、聚類)——>獲取資料——>特徵...哪些機器學習演算法不需要做歸一化處理?
![機器學習常見問題整理?](https://i.imgur.com/B2oemyF.jpg)
阿新 • • 發佈:2019-01-09
機器學習專案流程?答:理解實際問題,抽象成數學模型(分類、迴歸、聚類)——>獲取資料——>特徵預處理與特徵選擇——>訓練模型與調優——>模型診斷(過擬合、欠擬合等)——>模型融合——>上線執行。
機器學習演算法的分類?答:監督學習、非監督學習、半監督學習、強化學習。
特徵選擇與降維的區別?答:兩者達到的效果是一樣的,都是試圖去減少特徵資料集中的屬性(特徵)的數目; 但是兩者所採用的方式方法卻不同:降維的方法主要是通過屬性間的關係,如組合不同的屬性得新的屬性,這樣就改變了原來的特徵空間;而特徵選擇的方法是從原始特徵資料集中選擇子集
,是一種包含的關係,沒有更改原始的特徵空間。 特徵選擇的方法?答:主要有三種方法:1)Filter;2)Wrapper;3)Embedded 1、Filter方法(過濾式)
其主要思想是:對每一維的特徵“打分”,即給每一維的特徵賦予權重,這樣的權重就代表著該維特徵的重要性,然後依據權重排序。
主要的方法有: Chi-squared test(卡方檢驗) information gain(資訊增益) correlation coefficient scores(相關係數) 2、Wrapper方法(包裹式)
其主要思想是:將子集的選擇看作是一個搜尋尋優問題,生成不同的組合,對組合進行評價,再與其他的組合進行比較。這樣就將子集的選擇看作是一個是一個優化問題,這裡有很多的優化演算法可以解決,尤其是一些啟發式的優化演算法,如GA,PSO,DE,ABC等,詳見“優化演算法——人工蜂群演算法(ABC)”,“優化演算法——粒子群演算法(PSO)”。
主要方法有:recursive feature elimination algorithm(遞迴特徵消除演算法...[Day 27] 機器學習常犯錯的十件事 | 就愛喝咖啡
機器學習可以回答的問題有哪些 | 就愛喝咖啡
機器學習演算法的三大陷阱:人類看不到,但AI 看得一清二楚的 ... | 就愛喝咖啡
使用機器學習解決問題的五步驟:定義問題 | 就愛喝咖啡
機器學習的常見5大問與答 | 就愛喝咖啡
什麼是機器學習? | 就愛喝咖啡
機器學習的問與答 常見的開發問題和如何學習 | 就愛喝咖啡
機器學習常見問題整理? | 就愛喝咖啡
![](https://i.imgur.com/B2oemyF.jpg)
測試資料評價:插座()很多、限時 好吃程度 0 顆星
測試資料評價好嗎?這邊幫大家整理位於測試資料的測試資料詳細資訊,像是Wifi、安靜度、甜點、插座及網友評分:店名:測試資...