只需十四步：從零開(kāi)始掌握python-資料下載頁(yè)
2025-06-28 03:16本頁(yè)面
【正文】 賽中「最制勝」的方法：為什么梯度提升完美解決了諸多 Kaggle 難題？Quora，地址：Kaggle 大師解釋什么是梯度提升，作者 Ben Gorman。地址：雖然 Scikitlearn 有自己的梯度提升實(shí)現(xiàn)，我們將稍作改變，使用 XGBoost 庫(kù)，我們提到過(guò)這是一個(gè)更快的實(shí)現(xiàn)。以下鏈接提供了 XGBoost 庫(kù)的一些額外信息，以及梯度提升（出于必要）：維基百科條目：XGBoost。地址：Ghub 上的 XGBoost 庫(kù)。地址：XGBoost 文檔。地址：現(xiàn)在，按照這個(gè)教程把所有匯聚起來(lái)：Python 中 XGBoost 梯度提升樹(shù)的實(shí)現(xiàn)指南，作者 Jesse SteinwegWoods。地址：你還可以按照這些更簡(jiǎn)潔的示例進(jìn)行強(qiáng)化：XGBoost 在 Kaggle 上的示例（Python）。地址：Iris 數(shù)據(jù)集和 XGBoost 簡(jiǎn)單教程，作者 Ieva Zarina。地址：第6步：更多的降維降維是通過(guò)使用過(guò)程來(lái)獲得一組主變量，將用于模型構(gòu)建的變量從其初始數(shù)減少到一個(gè)減少數(shù)。有兩種主要形式的降維：1. 特征選擇——選擇相關(guān)特征的子集。地址：2. 特征提取——構(gòu)建一個(gè)信息性和非冗余的衍生值特征集。地址：下面是一對(duì)常用的特征提取方法。?主成分分析（PCA）是一種統(tǒng)計(jì)步驟，它使用正交變換將可能相關(guān)變量的一組觀測(cè)值轉(zhuǎn)換為一組稱(chēng)為主成分的線(xiàn)性不相關(guān)變量值。主成分的數(shù)量小于或等于原始變量的數(shù)量。這種變換以這樣的方式定義，即第一主成分具有最大可能的方差（即考慮數(shù)據(jù)中盡可能多的變率）以上定義來(lái)自 PCA 維基百科條目，如果感興趣可進(jìn)一步閱讀。但是，下面的概述/教程非常徹底：主成分分析：3 個(gè)簡(jiǎn)單的步驟，作者 Sebastian Raschka。地址：線(xiàn)性判別分析（LDA）是 Fisher 線(xiàn)性判別的泛化，是統(tǒng)計(jì)學(xué)、模式識(shí)別和機(jī)器學(xué)習(xí)中使用的一種方法，用于發(fā)現(xiàn)線(xiàn)性組合特征或分離兩個(gè)或多個(gè)類(lèi)別的對(duì)象或事件的特征。所得到的組合可以用作線(xiàn)性分類(lèi)器，或者更常見(jiàn)地，用作后續(xù)分類(lèi)之前的降維。LDA 與方差分析（ANOVA）和回歸分析密切相關(guān)，它同樣嘗試將一個(gè)因變量表示為其他特征或測(cè)量的線(xiàn)性組合。然而，ANOVA 使用分類(lèi)獨(dú)立變量和連續(xù)因變量，而判別分析具有連續(xù)的獨(dú)立變量和分類(lèi)依賴(lài)變量（即類(lèi)標(biāo)簽）。上面的定義也來(lái)自維基百科。下面是完整的閱讀：線(xiàn)性判別分析——直至比特，作者 Sebastian Raschka。地址：你對(duì) PCA 和 LDA 對(duì)于降維的實(shí)際差異是否感到困惑？Sebastian Raschka 做了如下澄清：線(xiàn)性判別分析（LDA）和主成分分析（PCA）都是通常用于降維的線(xiàn)性轉(zhuǎn)換技術(shù)。PCA 可以被描述為「無(wú)監(jiān)督」算法，因?yàn)樗负雎浴诡?lèi)標(biāo)簽，并且其目標(biāo)是找到使數(shù)據(jù)集中的方差最大化的方向（所謂的主成分）。與 PCA 相反，LDA 是「監(jiān)督的」并且計(jì)算表示使多個(gè)類(lèi)之間的間隔最大化的軸的方向（「線(xiàn)性判別式」）。有關(guān)這方面的簡(jiǎn)要說(shuō)明，請(qǐng)閱讀以下內(nèi)容：LDA 和 PCA 之間的降維有什么區(qū)別？作者 Sebastian Raschka。地址：第 7 步：更多的深度學(xué)習(xí)上篇中提供了一個(gè)學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)的入口。如果你的學(xué)習(xí)到目前比較順利并希望鞏固對(duì)神經(jīng)網(wǎng)絡(luò)的理解，并練習(xí)實(shí)現(xiàn)幾個(gè)常見(jiàn)的神經(jīng)網(wǎng)絡(luò)模型，那么請(qǐng)繼續(xù)往下看。?首先，看一些深度學(xué)習(xí)基礎(chǔ)材料：深度學(xué)習(xí)關(guān)鍵術(shù)語(yǔ)及解釋?zhuān)髡?Matthew Mayo理解深度學(xué)習(xí)的 7 個(gè)步驟，作者 Matthew Mayo。地址：接下來(lái)，在 Google 的機(jī)器智能開(kāi)源軟件庫(kù) TensorFlow（一個(gè)有效的深度學(xué)習(xí)框架和現(xiàn)今幾乎是最好的神經(jīng)網(wǎng)絡(luò)工具）嘗試一些簡(jiǎn)明的概述／教程：機(jī)器學(xué)習(xí)敲門(mén)磚：任何人都能看懂的 TensorFlow 介紹（第 2 部分）入門(mén)級(jí)解讀：小白也能看懂的 TensorFlow 介紹（第 4 部分）最后，直接從 TensorFlow 網(wǎng)站試用這些教程，它實(shí)現(xiàn)了一些最流行和常見(jiàn)的神經(jīng)網(wǎng)絡(luò)模型：循環(huán)神經(jīng)網(wǎng)絡(luò)，谷歌 TensorFlow 教程。地址：卷積神經(jīng)網(wǎng)絡(luò)，谷歌 TensorFlow 教程。地址：此外，目前一篇關(guān)于 7 個(gè)步驟掌握深度學(xué)習(xí)的文章正在寫(xiě)作之中，重點(diǎn)介紹使用位于 TensorFlow 頂部的高級(jí) API，以增模型實(shí)現(xiàn)的容易性和靈活性。我也將在完成后在這兒添加一個(gè)鏈接。相關(guān)的：進(jìn)入機(jī)器學(xué)習(xí)行業(yè)之前應(yīng)該閱讀的 5 本電子書(shū)。地址：理解深度學(xué)習(xí)的 7 個(gè)步驟。地址：機(jī)器學(xué)習(xí)關(guān)鍵術(shù)語(yǔ)及解釋。地址：?169。本文為機(jī)器之心編譯，轉(zhuǎn)載請(qǐng)聯(lián)系本公眾號(hào)獲得授權(quán)。?加入機(jī)器之心（全職記者/實(shí)習(xí)生）
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號(hào)-1