學習機器學習之如何根據需求選擇一種演算法

2021-09-26 23:03:32 字數 726 閱讀 7394

第 1 步:對問題進行分類

這是乙個兩步步驟:

通過輸入分類:如果我們有標籤資料,這是乙個監督學習問題。如果我們有無標籤資料並且想要去發現結構,這是乙個無監督學習問題。如果我們想要通過與環境互動優化目標函式,這是乙個強化學習問題。

通過輸出分類:如果乙個模型的輸出是乙個數字,這是乙個回歸問題。如果模型的輸出是乙個類(或者分類),這是乙個分類問題。如果模型的輸出是輸入組的集合,這是乙個分類問題。

第2步:找到可用的演算法

分類:支援向量機(svm),人工神經網路,邏輯回歸,決策樹和隨機樹。

回歸:線性回歸,貝葉斯線性回歸,決策樹回歸

聚合(clustering):層次聚類,k- 均值聚類

異常檢測(還是屬於分類或回歸問題):k 最近鄰(物件通過其 k 最近鄰的多數投票來分類。 k-nn 回歸中,輸出為物件的屬性值。該值為其 k 最近鄰值的平均值),單類支援向量機

第3步:實現所有適用的演算法

我們希望通過最小化特徵工程快速而簡單地完成幾種演算法的實現。在這個階段,我們主要興趣在粗略來看那個演算法表現更好。

第4步:特徵工程第5步:超引數優化

最後,你可能想優化演算法的超引數。例如,主成分分析中的主成分個數,k 近鄰演算法的引數 k,或者是神經網路中的層數和學習速率。最好的方法是使用交叉驗證來選擇。

機器學習 四 之如何學習機器學習

推薦一篇很好的文章,本文部分借鑑於 kaggle的 手寫識別 首先 我們要了解 什麼是tensorflow?其次 我們要學會一些概念 再其次 我們要學會整個機器學習的思路 建立乙個機器學習的model 1 制定乙個model是線性的還是非線性的 2 使用乙個最簡單的單層的神經網路進行學習 3 選擇l...

如何學習機器視覺

在與大家交流的過程中,發現了乙個問題,一直想說出來。可是通常實話都不會那麼順耳,所以總有些猶豫。可後再一想,既然大家來此的目的不過是為了討論問題 互通有無,那麼說了也應無妨。這個問題就是 我發現國內80 搞這行 機器視覺 的朋友所走的路子是錯的。於是在國外,從事這一行業的人現在也就可以簡單而清楚地分...

機器學習 機器學習目錄

注 後期有時間的話會對每乙個演算法進行講解。1 普通線性回歸 2 廣義線性模型 3 邏輯回歸 4 線性判定分析1 決策樹基本原理與構建 2 cart演算法 3 回歸決策樹 4 分類決策樹1 貝葉斯定理與樸素貝葉斯 2 高斯貝葉斯分類器 3 多項式貝葉斯分類器 4 伯努利貝葉斯分類器 5 遞增式學習1...