1、过拟合问题 欠拟合：根本原因是特征维度过少，导致拟合的函数无法满足训练集，误差较大； 解决方法：增加特征维度； 过拟合：根本原因是特征维度过大，导致拟合的函数完美的预测训练集，但对新数据的预测结果差。 解决方法：（1）减少特征维度；（2）正则化，降低参数值。 减少过拟合总结：过拟合主要是有两个原 ...
分类：
其他好文 时间：
2018-06-20 14:37:41
阅读次数：
215
将代码封装在函数PlotKS_N里，Pred_Var是预测结果，可以是评分或概率形式；labels_Var是好坏标签，取值为1或0，1代表坏客户，0代表好客户；descending用于控制数据按违约概率降序排列，如果Pred_Var是评分，则descending=0，如果Pred_Var是概率形式，... ...
分类：
编程语言 时间：
2018-05-23 13:05:06
阅读次数：
470
1）输出数据的类型 分类输出的数据类型是离散数据，也就是分类的标签。比如我们前面通过学生学习预测考试是否通过，这里的预测结果是考试通过，或者不通过，这2种离散数据。 回归输出的是连续数据类型。比如我们通过学习时间预测学生的考试分数，这里的预测结果分数，是连续数据。 2）第2个区别是我们想要通过机器学 ...
分类：
其他好文 时间：
2018-05-14 10:30:48
阅读次数：
176
此模型中，输入是28*28*1的图片，经过两个卷积层（卷积+池化）层之后，尺寸变为7*7*64，将最后一个卷积层展成一个以为向量，然后接两个全连接层，第一个全连接层加一个dropout，最后一个全连接层输出10个分类的预测结果，然后计算损失，进行训练。 代码如下： ...
分类：
其他好文 时间：
2018-05-09 22:46:40
阅读次数：
207
线性回归的一般形式 过拟合问题及其解决方法 问题：以下面一张图片展示过拟合问题 解决方法：(1)：丢弃一些对我们最终预测结果影响不大的特征，具体哪些特征需要丢弃可以通过PCA算法来实现；(2)：使用正则化技术，保留所有特征，但是减少特征前面的参数θ的大小，具体就是修改线性回归中的损失函数形式即可，岭 ...
分类：
其他好文 时间：
2018-05-05 23:07:32
阅读次数：
224
python3 学习使用随机森林分类器 梯度提升决策树分类 的api，并将他们和单一决策树预测结果做出对比 附上我的git，欢迎大家来参考我其他分类器的代码: https://github.com/linyi0604/MachineLearning ...
分类：
编程语言 时间：
2018-04-29 17:44:12
阅读次数：
253
sklearn集成方法 集成方法的目的是结合一些基于某些算法训练得到的基学习器来改进其泛化能力和鲁棒性(相对单个的基学习器而言)主流的两种做法分别是： bagging 基本思想 独立的训练一些基学习器(一般倾向于强大而复杂的模型比如完全生长的决策树)，然后综合他们的预测结果，通常集成模型的效果会优于 ...
分类：
其他好文 时间：
2018-04-14 11:15:59
阅读次数：
1020
警告 -27077: “每次迭代模拟一个新用户”运行时设置为“开”时，“vuser_init”节将包含 Web 函数。这可能会产生具有多次迭代的不可预测结果 [MsgId: MWAR-27077] 正在开始操作 Action。 解决办法：F4运行时设置，浏览器仿真- 每次迭代模拟一个新用户，不要选这 ...
分类：
其他好文 时间：
2018-04-12 13:42:16
阅读次数：
265
一、贝叶斯定理 机器学习所要实现的均是通过有限的训练样本尽可能的准确估计出后验概率，也就是所说的结果情况。大题分为判别式模型和生成式模型。 1. 判别式模型：直接通过建模P（结果|特征）的方式来预测结果，典型代表如决策树，BP神经网络、支持向量机等。 2. 生成式模型：先对联合概率分布P（特征，结果 ...
分类：
其他好文 时间：
2018-04-08 18:59:55
阅读次数：
1112
内容:线性回归；逻辑回归，应用场景。 一、线性回归 有监督学习，根据学习样本{x->y},学习一个映射f：X->Y(线性相关),输出预测结果y_i。最简单的例子：y=ax+b 重要组成：训练数据集 training set, 学习算法 learning algorithm, 损失函数 loss fu ...
分类：
其他好文 时间：
2018-03-25 14:27:24
阅读次数：
235
