機(jī)器學(xué)習(xí)經(jīng)典算法(ppt45頁(yè))-文庫(kù)吧在線文庫(kù)
【正文】 戶指定的個(gè)數(shù)； ? （ 4） 異質(zhì)性指標(biāo)下降的最大幅度小于用戶指定的幅度。貝葉斯理論提供了一種計(jì)算假設(shè)概率的方法，基于假設(shè)的先驗(yàn)概率、給定假設(shè)下觀察到不同數(shù)據(jù)的概率以及觀察到的數(shù)據(jù)本身。 六、 AdaBoost ? Adaboost是一種迭代算法，其核心思想是針對(duì)同一個(gè)訓(xùn)練集訓(xùn)練不同的分類(lèi)器（弱分類(lèi)器），然后把這些弱分類(lèi)器集合起來(lái)，構(gòu)成一個(gè)更強(qiáng)的最終分類(lèi)器（強(qiáng)分類(lèi)器）。 ? 3 重新計(jì)算當(dāng)前類(lèi)別劃分下每類(lèi)的中心 。 ? 對(duì)于“躁聲”和孤立點(diǎn)數(shù)據(jù)是敏感的，因?yàn)榇氐闹行氖峭ㄟ^(guò)計(jì)算數(shù)據(jù)的平均值得到的，這些數(shù)據(jù)的存在會(huì)使聚類(lèi)的中心發(fā)生很大的偏移。這個(gè)重要性得分值為： PR（ T） /C(T) 其中 PR（ T）為 T的 PageRank值，C(T)為 T的出鏈數(shù)，則 A的 PageRank值為一系列類(lèi)似于 T的頁(yè)面重要性得分值的累加。最后再在所有的頻繁集中找出強(qiáng)規(guī)則，即產(chǎn)生用戶感興趣的關(guān)聯(lián)規(guī)則。 ? 對(duì)處理大數(shù)據(jù)集，該算法是相對(duì)可伸縮和高效率的。而且弱分類(lèi)器構(gòu)造極其簡(jiǎn)單 4)簡(jiǎn)單，不用做特征篩選 5)不用擔(dān)心 overfitting adaboost算法的一些實(shí)際可以使用的場(chǎng)景： 1）用于二分類(lèi)或多分類(lèi)的應(yīng)用場(chǎng)景 2）用于做分類(lèi)任務(wù)的 baseline 3）用于特征選擇（ feature selection) 4） Boosting框架用于對(duì) badcase的修正 七、 Kmeans ? Kmeans算法是很典型的基于距離的聚類(lèi)算法，采用距離作為相似性的評(píng)價(jià)指標(biāo)，即認(rèn)為兩個(gè)對(duì)象的距離越近，其相似度就越大。 該算法比較適用于樣本容量比較大的類(lèi)域的自動(dòng)分類(lèi)，而那些樣本容量較小的類(lèi)域采用這種算法比較容易產(chǎn)生誤分。 ? 剪枝方式： A、 預(yù)修剪（ prepruning）：停止生長(zhǎng)策略 B、后修剪（ postpruning）：在允許決策樹(shù)得到最充分生長(zhǎng)的基礎(chǔ)上，再根據(jù)一定的規(guī)則，自下而上逐層進(jìn)行剪枝。它是一個(gè)遞歸的過(guò)程，也就是說(shuō)，這些子集還會(huì)被繼續(xù)劃分，這個(gè)過(guò)程不斷重復(fù)，直到滿足終止準(zhǔn)則，然后通過(guò)修剪和評(píng)估，得到一棵最優(yōu)的決策樹(shù)。決策樹(shù)是一種類(lèi)似流程圖的樹(shù)結(jié)構(gòu)，其中每個(gè)內(nèi)部節(jié)點(diǎn)（非樹(shù)葉節(jié)點(diǎn)）表示在一個(gè)屬性上的測(cè)試，每個(gè)分枝代表一個(gè)測(cè)試輸出，而每個(gè)樹(shù)葉節(jié)點(diǎn)存放一個(gè)類(lèi)標(biāo)號(hào)。經(jīng)典算法 機(jī)器學(xué)習(xí)十大經(jīng)典算法 （ SVM) （ KNN）
公司管理相關(guān)推薦
鄂ICP備17016276號(hào)-1