Python机器学习
Introduction
第一章 让计算机从数据中学习
将数据转化为知识
三类机器学习算法
第二章 训练机器学习分类算法
透过人工神经元一窥早期机器学习历史
使用Python实现感知机算法
基于Iris数据集训练感知机模型
自适应线性神经元及收敛问题
Python实现自适应线性神经元
大规模机器学习和随机梯度下降
总结
第三章 使用Scikit-learn进行分类器之旅
如何选择合适的分类器算法
scikit-learn之旅
逻辑斯蒂回归对类别概率建模
使用正则化解决过拟合
支持向量机
使用松弛变量解决非线性可分的情况
使用核SVM解决非线性问题
决策树学习
最大信息增益
构建一棵决策树
随机森林
k近邻--一个懒惰学习算法
总结
第四章 构建一个好的训练集---数据预处理
处理缺失值
消除带有缺失值的特征或样本
改写缺失值
理解sklearn中estimator的API
处理分类数据
将数据集分割为训练集和测试集
统一特征取值范围
选择有意义的特征
利用随机森林评估特征重要性
总结
第五章 通过降维压缩数据
PCA进行无监督降维
聊一聊方差
特征转换
LDA进行监督数据压缩
原始数据映射到新特征空间
使用核PCA进行非线性映射
用Python实现核PCA
映射新的数据点
sklearn中的核PCA
总结
第六章 模型评估和调参
通过管道创建工作流
K折交叉验证评估模型性能
使用学习曲线和验证曲线 调试算法
通过网格搜索调参
通过嵌套交叉验证选择算法
不同的性能评价指标
第七章 集成学习
集成学习
结合不同的分类算法进行投票
第八章 深度学习之PyTorch
60分钟上手PyTorch
Powered by
GitBook
第六章 模型评估和调参
第六章 模型评估和调参
前面几章,你学习了分类问题要用到的机器学习算法以及必备的数据预处理算法。现在,是时候学习如何训练一个好用的机器学习模型了,二者要涉及到两个重要的课题:模型评估和参数寻优。
本章,我们要学习:
获得对模型性能的无偏差估计
诊断常见的机器学习问题
模型调参
使用不同的性能评价指标对模型评估
results matching "
"
No results matching "
"