Python和PyTorch深入实现线性回归模型：一篇文章全面掌握基础机器学习技术
1. 简介1.1 线性回归模型概述线性回归是一种统计学中的预测分析，该方法用于建立两种或两种以上变量间的关系模型。线性回归使用最佳的拟合直线（也称为回归线）在独立（输入）变量和因变量（输出）之间建立一种直观的关系。简单线性回归是输入变量和输出变量之间的线性关系，而多元线性回归是多个输入...
机器学习框架PyTorch详解和案列分析
@TOCPyTorch 是一个基于 Python 的科学计算包，主要针对两类人群： 作为 NumPy 的替代品，可以利用 GPU 的性能进行计算。 作为一个高灵活性、速度快的深度学习平台。PyTorch 相比 TensorFlow 而言，它的设计初衷是简单易用，所以它是基于动态图进行实现的，从而方便...
机器学习之PyTorch和Scikit-Learn第6章 学习模型评估和超参数调优的最佳实践Part 3
其它章节内容请见机器学习之PyTorch和Scikit-Learn 查看不同性能评估指标 在前面的章节中，我们使用预测准确率来评估各机器学习模型，通常这是用于量化模型表现很有用的指标。但还有其他几个性能指标可以用于衡量模型的相关性，例如精确率、召回率、F1分数和马修斯相关系数（MCC）等。 读取混淆...
机器学习之PyTorch和Scikit-Learn第6章 学习模型评估和超参数调优的最佳实践Part 2
使用学习曲线和验证曲线调试算法 本节中，我们来看两个非常简单但强大的诊断工具，可帮助我们提升学习算法的性能：学习曲线和验证曲线，在接下的小节中，我们会讨论如何使用学习曲线诊断学习算法是否有过拟合（高方差）或欠拟合（高偏置）的问题。另外，我们还会学习验证曲线，它辅助我们处理学习算法中的常见问题。 通过...
机器学习之PyTorch和Scikit-Learn第6章 学习模型评估和超参数调优的最佳实践Part 1
其它章节内容请见机器学习之PyTorch和Scikit-Learn 在前面的章节中，我们学习了用于分类的基本机器学习算法以及如何在喂给这些算法前处理好数据。下面该学习通过调优算法和评估模型表现来构建良好机器学习模型的最佳实践了。本章中，我们将学习如下内容： 评估机器学习模型表现 诊断机器学习算法常见...
机器学习之PyTorch和Scikit-Learn第5章 通过降维压缩数据Part 2
其它章节内容请见机器学习之PyTorch和Scikit-Learn scikit-learn中的主成分分析 虽然上一小节中繁琐的介绍有助于我们了解PCA的内部原理，但我们还是要谈谈scikit-learn中实现的PCA类。 PCA类是scikit-learn中又一个变换器类，我们在使用相同模型参数谈...
机器学习之PyTorch和Scikit-Learn第5章 通过降维压缩数据Part 1
其它章节内容请见机器学习之PyTorch和Scikit-Learn 在第4章 构建优秀的训练数据集 – 数据预处理中，我们学习了使用特征选择技术对数据集降维的不同方法。特征选择以外的另一种降维方法是特征提取。本章中我们会学习两种基本技术，可帮助我们通过将其变换为比原来更低维度的特征子空间总结出数据集...
机器学习之PyTorch和Scikit-Learn第4章 构建优秀的训练数据集 - 数据预处理Part 2
其它章节内容请见机器学习之PyTorch和Scikit-Learn 将数据集划分为训练集和测试集 我们在第1章 赋予计算机学习数据的能力和第3章 使用Scikit-Learn的机器学习分类器之旅中简单地介绍了将数据集划分为训练集和测试集的概念。在测试集中比较预测标签和真实标签可以看成是发布上线前对模...
机器学习之PyTorch和Scikit-Learn第4章 构建优秀的训练数据集 - 数据预处理Part 1
其它章节内容请见机器学习之PyTorch和Scikit-Learn 数据质量及所包含的有用信息量是决定机器学习算法能学到多好的关键因素。因此，在将数据集喂给机器学习算法前对其进行检查和预处理绝对很重要。本章中，我们会讨论一些基本数据预处理技术，有助于我们构建很好的机器学习模型。 本章将要讨论的内容有...
机器学习之PyTorch和Scikit-Learn第3章 使用Scikit-Learn的机器学习分类器之旅Part 2
其它章节内容请见机器学习之PyTorch和Scikit-Learn 支持向量机实现最大间隔分类 另一种强大又广泛使用的学习算法是支持向量机(SVM)，可看成是对感知机的扩展。使用感知机算法，我们最小化误分类错误。但在SVM中，我们的优化目标是最大化间隔（margin）。间隔定义为分隔的超平面（决策边...
更新时间 2023-09-20 22:50:41
本页面内关键词为智能算法引擎基于机器学习所生成，如有任何问题，可在页面下方点击"联系我们"与我们沟通。
