偏差和方差在监督机器学习中，我们为训练数据提供标签以构建f机器学习模型。由于噪声与机器学习模型无关，并且在训练机器学习模型时不可减少，因此我们可以从讨论中忽略它。一旦发生这种情况，如果对不同的训练数据进行采样，模型预测可能会发生显著变化。下面的红色矩形区域

经验风险最小化是机器学习中的一个基本概念，但令人惊讶的是，许多实践者并不熟悉它。理解ERM是理解机器学习算法极限性的必要条件，是解决实际问题的基础。ERM背后的理论是解释 VC-dimension的理论。任何认真对待机器学习的人都应该知道ERM。现在我们有

每当我们建立预测机器学习模型时，即使在所有调整和处理之后，我们的预测通常也是不完美的：预测值和实际值之间会有一些非零差异。我们可以将预测误差分解为两部分:可约误差和不可约误差。该机器学习模型预测，2019年2月3日，每单位股价将为4美元，但实际价格当天为3

介绍假设你在玩一个视频游戏。你进入一个有两扇门的房间。在门1后面是100个金币，然后是通道。一旦你通过其中一扇门，就没有回头路了。你应该选择哪一扇门呢？真正回答这个问题的唯一方法是多次玩游戏; 每次尝试不同的门; 然后根据您收集的信息确定最佳策略。在监督学

在理解Boosting Ensembles之前，最好先了解集成是什么，让我们从了解集成开始。Ensembles - 简介在机器学习中，集成是将多个模型一起使用以形成单个预测模型的模型。考虑David想要尝试一个新落成的餐厅吃晚餐，但在去之前他想对那个地方有

OpenAI是一家成立于2015年的非营利性人工智能研究公司，由Elon Musk投资数十亿美元支持，其总体目标是发现通向人工智能的途径。2018年8月，他们的一名AI代理Five赢得了Dota游戏。Dota中的状态比之前的游戏更加复杂，这使得OpenAI

本文中，我们将重点分析IMDb电影评论数据，并尝试预测评论是正面还是负面。熟悉一些机器学习概念将有助于理解所使用的Python代码和机器学习算法。我们将使用流行的scikit-learn机器学习框架。将数据加载到Python程序中：我们将加载并查看训练和测

问题1 - 选择正确的LRLR（学习率）超参数可以显著影响机器学习模型训练所花费的时间。找到最佳学习速度以加快收敛始终是至关重要的。如果学习率太小，则需要很长时间才能达到最低点如果学习率太大，它可能会从底部摆动。问题2-减少机器学习模型训练时间机器学习模型

您选择的机器学习算法取决于数据的大小，质量和类型，以及项目时间表和总体目标。选择适当的机器学习算法，有助于从结果预测中获得的洞察力。机器学习算法的类型在考虑了数据属性以及项目要求和目标后，您可以开始将这些需求映射到最佳机器学习模型。线性回归模型将以连续的比

许多人说机器学习模型是“黑匣子”，从某种意义上说它们可以做出很好的预测，但你无法理解这些预测背后的逻辑。在大多数数据科学家不知道如何从机器学习模型中提取见解的意义上，这种说法是正确的。在准确性和可解释性之间取得正确的权衡可能是一个困难的平衡行为。有了SHA

本文的目的不是详细解释机器学习中的K-Means聚类，是在不使用Scikit的情况下提供实现细节。K-Means是用于聚类的流行且简单的机器学习中无监督学习算法之一。K-Means中的超参数'K'指的是clusters的数量。K-Means是一种基于质心的

在实现一些机器学习算法时计算两个矩阵之间的L2距离是一个常见的步骤，就像kNN分类一样，我们需要计算所有训练和测试例子之间的L2距离。如果有Ntr训练样例和Nte测试例子，这一步应该产生Nte x Ntr矩阵，其中每个元素是第i个测试示例和第j个训练示例之

当您使用一个机器学习模型时，将特征缩放到一个以0为中心的范围是很重要的。这样做是为了使特征的方差在相同的范围内。如果一个特征的方差比其他特征的方差大几个数量级，那么这个特征可能会支配数据集中的其他特征，这不是我们希望在模型中发生的事情。这里的目标是实现零均

监督学习部门有一个capstone项目，根据收入寻找潜在的慈善捐赠者。选择3个模型，适合于求解问题，并对各模型的性能进行比较。在这篇博文中，我将评估这三个模型在这个问题上的表现。现在，要进行分类的重要特征是“收入”。我们将假设，如果收入≤= 50k，那么该

随机森林是预测分析中最有效的机器学习模型之一，使它成为机器学习的主力。随机森林模型是一种附加模型，它通过组合来自一系列基础模型的决策来进行预测。更正式地说，我们可以把这类模型写成:. 其中最终的模型“g”是简单的基础模型“fi”的总和。这种广泛的使用多个模

支持向量机是一种可用于分类和回归的监督机器学习算法。SVM更常用于分类问题，因此，这就是我们在本文中关注的内容。在该算法中，我们将每个数据项绘制为n维空间中的一个点，每个特性的值是一个特定坐标的值。然后，我们通过寻找最优超平面来进行分类，从而很好地区分这两

在任何时候，推车和杆处于状态S，由四个元素的矢量表示：车位置、车速度、极角和在杆尖测量的极点速度。推车可以采取两种动作中的一种：向左移动或向右移动，以尽可能长地平衡杆。我们将使用编程语言PyTorch来创建我们的模型。我们的模型将根据官方PyTorch G

一个非常简单的例子就是手写字母识别。例如，取决于与该人相关的各种参数的人的医疗保险费。例如，给定一组衣服图像，聚类算法可以将衬衫，裤子，裙子等分组在一起。由于这些原因，最近几天决策树越来越受欢迎。最左边的表格显示“Is there a party”列及其相

无监督机器学习是机器学习任务，推断用“未标记”数据描述隐藏结构的功能。K均值最常见和最简单的聚类算法就是K-Means聚类。该算法然后迭代地移动k中心并选择最接近该群集中的质心的数据点。可能想到的一个明显问题是选择K值的方法。这是通过使用弯曲曲线完成的，其

激活函数用于创建输入的非线性变换。输入乘以权重并添加到偏差项。流行的激活函数包括ReLU，tanh或sigmoid。亚当优化可以用来代替随机梯度下降优化方法来迭代调整网络权重。Adam目前是深度学习模型中的默认优化算法。因此，它非常适用于非常稀疏的数据集，