机器学习的特征缩放
数据输入机器学习模型前,需要先进行归一化或标准化,以便统一不同特征的量纲,加快学习速度
数据输入机器学习模型前,需要先进行归一化或标准化,以便统一不同特征的量纲,加快学习速度
在搭建机器学习模型时,除了对目标计算损失外,还可对参数加入约束,以使得模型泛化能力更强
本文主要解决如何选择更好的模型问题,通常办法是交叉验证,文章最后也介绍了参数搜索的办法
机器学习模型保存方法
进行机器学习建模前的操作,其目地是确保模型能从数据中学到知识,包括去噪声、去冗余 (共线性)、降维以及样本数量处理
机器学习中,对数据进行处理时,遇到噪声、异常值的处理方法
Bagging 通过将数据集划分为多分,对每一份建模,只要各个分类器准确率在 50% 以上,那么 N 个分类器的准确率就有可能大于 N-1 个分类器