(转载)机器学习方法的PPT1

简介: 一、特征选择 二、分类方法 三、决策树 四、人工神经网络与遗传算法 五、支持向量机 六、图论与聚类方法 其它(待补) *********************************** 一...

一、特征选择 
二、分类方法 
三、决策树 
四、人工神经网络与遗传算法 
五、支持向量机 
六、图论与聚类方法 
其它(待补) 
*********************************** 
一、特征选择 
[PPT] Feature Selection for Classification 
[PPT] Feature Selection for Classification M.Dash, H.Liu 
[PPT] Classification and Feature Selection 
[PPT] Feature Saliency in Unsupervised Learning 
[PPT] Feature Selection/Extraction for Classification Problems 
[PPT] Dynamic Integration of Data Mining Methods Using Selection in a ... 
[PPT] Data Visualization and Feature Selection: New Algorithms for ... 
[PPT] Robust feature selection by mutual information distributions 
[PPT] Dimensions 
[PPT] WEKKEM: a study in Fractal Dimension and Dimensionality Reduction 
二、分类方法 
[PPT] Taxonomy Classification 
[PPT] Linear Methods for Classification 
[PPT] Descriptive Statistics 
[PPT] Combining Classical Statistics and Data Mining in Tactical ... 
[PPT] Enhanced classification using hyperlinks 
[PPT] Classification Algorithms 
[PPT] Classification 
[PPT] Reading Report on “The Foundations of Cost-Sensitive Learning ... 
[PPT] Classification and Prediction (3) 
[PPT] 4.3 Classification of Fuzzy Relation 
[PPT] Classification & Data Mining 
[PPT] Machine learning for classification 
[PPT] Heuristic Search 
[PPT] Comparing Classification Methods 
[PPT] A Practical Algorithm to Find the Best Episode Patterns 
[PPT] Taxonomy of Data-Mining/Knowledge Discovery Tasks 
[PPT] Mining Frequent Patterns Without Candidate Generation 
[PPT] KNOWLEDGE AND REASONING 
[PPT] Comparisons of Capabilities of Data Mining Tools 
[PPT] Uncertainty Reduction in Data Mining: A Case study for Robust ... 
[PPT] Visualizing and Exploring Data 
[PPT] An Integrated Approach to Decision Making under Uncertainty UCLA ... 
   
[PPT] Mining Unusual Patterns in Data Streams: Methodologies and ... 
[PPT] Learning: Nearest Neighbor 
[PPT] Structured Principal Component Analysis 

[PPT] Machine Learning through Probabilistic Models 
[PPT] Advances in Bayesian Learning 
[PPT] Using Discretization and Bayesian Inference Network Learning for ... 
[PPT] Bayesian Optimization Algorithm, Decision Graphs, and Occam’s ... 
[PPT] Bayesian Inference 

[PPT] Text Mining Technique Overview and an Application to Anonymous ... 
[PPT] Improving Text Classification Accuracy by Augmenting Labeled ... 
[PPT] Text Mining Technique Overview and an Application to Anonymous ... 
[PPT] Fast and accurate text classification 
[PPT] On feature distributional clustering for text categorization 
[PPT] Hierarchical Classification of Documents with Error Control 
[PPT] A Study of Smoothing Methods for Language Models Applied to ... 
   
三、决策树 
[PPT] Decision Trees 
[PPT] Decision Tree Classification 
[PPT] Induction and Decision Trees 
[PPT] AN INTRODUCTION TO DECISION TREES 
[PPT] Decision Tree Construction 
[PPT] Decision Tree Learning II 
[PPT] Decision Tree Learning 
[PPT] Decision trees and Rule-Based systems 
[PPT] Learning with Identification Trees 
[PPT] Decision Tree Post-Prunning Methods 
[PPT] Decision Trees that Maximise Margins 
[PPT] Introduction to Noise Handling in Decision Tree Induction 
[PPT] A Fuzzy Decision Tree Induction Method for Fuzzy Data 
[PPT] Fuzzy decision tree for continuous classification 
[PPT] Artificial Intelligence Machine Learning I – Decision Tree ... 
[PPT] OCToo: A Decision Tree Program 
[PPT] Packet Classification using Hierarchical Intelligent Cuttings 
[PPT] Rule Induction Using 1-R and ID3 
[PPT] Inferring Rudimentary Rules 
[PPT] Deriving Classification Rules
目录
相关文章
|
12天前
|
机器学习/深度学习 数据采集 数据处理
谷歌提出视觉记忆方法,让大模型训练数据更灵活
谷歌研究人员提出了一种名为“视觉记忆”的方法,结合了深度神经网络的表示能力和数据库的灵活性。该方法将图像分类任务分为图像相似性和搜索两部分,支持灵活添加和删除数据、可解释的决策机制以及大规模数据处理能力。实验结果显示,该方法在多个数据集上取得了优异的性能,如在ImageNet上实现88.5%的top-1准确率。尽管有依赖预训练模型等限制,但视觉记忆为深度学习提供了新的思路。
21 2
|
1月前
|
机器学习/深度学习 数据采集 数据挖掘
特征工程在营销组合建模中的应用:基于因果推断的机器学习方法优化渠道效应估计
因果推断方法为特征工程提供了一个更深层次的框架,使我们能够区分真正的因果关系和简单的统计相关性。这种方法在需要理解干预效果的领域尤为重要,如经济学、医学和市场营销。
61 1
特征工程在营销组合建模中的应用:基于因果推断的机器学习方法优化渠道效应估计
|
5月前
|
数据采集 机器学习/深度学习 算法
机器学习方法之决策树算法
决策树算法是一种常用的机器学习方法,可以应用于分类和回归任务。通过递归地将数据集划分为更小的子集,从而形成一棵树状的结构模型。每个内部节点代表一个特征的判断,每个分支代表这个特征的某个取值或范围,每个叶节点则表示预测结果。
172 1
|
1月前
|
机器学习/深度学习
如何用贝叶斯方法来解决机器学习中的分类问题?
【10月更文挑战第5天】如何用贝叶斯方法来解决机器学习中的分类问题?
|
1月前
|
机器学习/深度学习 算法 API
机器学习入门(六):分类模型评估方法
机器学习入门(六):分类模型评估方法
|
1月前
|
机器学习/深度学习 算法 搜索推荐
机器学习入门(四):距离度量方法 归一化和标准化
机器学习入门(四):距离度量方法 归一化和标准化
|
2月前
|
机器学习/深度学习 Python
验证集的划分方法:确保机器学习模型泛化能力的关键
本文详细介绍了机器学习中验证集的作用及其划分方法。验证集主要用于评估模型性能和调整超参数,不同于仅用于最终评估的测试集。文中描述了几种常见的划分方法,包括简单划分、交叉验证、时间序列数据划分及分层抽样划分,并提供了Python示例代码。此外,还强调了在划分数据集时应注意随机性、数据分布和多次实验的重要性。合理划分验证集有助于更准确地评估模型性能并进行有效调优。
|
2月前
|
机器学习/深度学习 算法 搜索推荐
机器学习方法之强化学习
强化学习是一种机器学习方法,旨在通过与环境的交互来学习如何做出决策,以最大化累积的奖励。
58 4
|
3月前
|
机器学习/深度学习 算法 Python
【机器学习】面试问答:决策树如何进行剪枝?剪枝的方法有哪些?
文章讨论了决策树的剪枝技术,包括预剪枝和后剪枝的概念、方法以及各自的优缺点。
58 2
|
3月前
|
机器学习/深度学习
【机器学习】面试题:LSTM长短期记忆网络的理解?LSTM是怎么解决梯度消失的问题的?还有哪些其它的解决梯度消失或梯度爆炸的方法?
长短时记忆网络(LSTM)的基本概念、解决梯度消失问题的机制,以及介绍了包括梯度裁剪、改变激活函数、残差结构和Batch Normalization在内的其他方法来解决梯度消失或梯度爆炸问题。
148 2