从软件工程的角度写机器学习3——主要监督学习算法的工程性分析
2016-04-16
1222
版权
版权声明：
本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《
阿里云开发者社区用户服务协议》和
《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写
侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
简介：
目录
相关文章
|
1天前
|
机器学习/深度学习
传感器
算法
|
1天前
|
数据采集
机器学习/深度学习
人工智能
|
1天前
|
机器学习/深度学习
算法
数据可视化
【机器学习】比较分层聚类（Hierarchical Clustering）和K-means聚类算法
【5月更文挑战第12天】【机器学习】比较分层聚类（Hierarchical Clustering）和K-means聚类算法
9
2
2
|
1天前
|
机器学习/深度学习
数据采集
算法
深入理解并应用机器学习算法：支持向量机（SVM）
【5月更文挑战第13天】支持向量机(SVM)是监督学习中的强分类算法，用于文本分类、图像识别等领域。它寻找超平面最大化间隔，支持向量是离超平面最近的样本点。SVM通过核函数处理非线性数据，软间隔和正则化避免过拟合。应用步骤包括数据预处理、选择核函数、训练模型、评估性能及应用预测。优点是高效、鲁棒和泛化能力强，但对参数敏感、不适合大规模数据集且对缺失数据敏感。理解SVM原理有助于优化实际问题的解决方案。
12
3
3
|
2天前
|
机器学习/深度学习
算法
理解并应用机器学习算法：决策树
【5月更文挑战第12天】决策树是直观的分类与回归机器学习算法，通过树状结构模拟决策过程。每个内部节点代表特征属性，分支代表属性取值，叶子节点代表类别。构建过程包括特征选择（如信息增益、基尼指数等）、决策树生成和剪枝（预剪枝和后剪枝）以防止过拟合。广泛应用在信贷风险评估、医疗诊断等领域。理解并掌握决策树有助于解决实际问题。
17
6
6
|
3天前
|
机器学习/深度学习
算法
数据挖掘
|
3天前
|
机器学习/深度学习
算法
数据挖掘
|
3天前
|
机器学习/深度学习
算法
数据可视化
|
3天前
|
机器学习/深度学习
人工智能
算法
|
4天前
|
机器学习/深度学习
算法