Welcome to My Blog
ml basic: 04 NN ml basic: 04 NN
神经网络4.1 全连接网络4.1.1 简介给定训练集,权重$w_i$以及阈值$\theta$可通过学习得到。 $w_i = w_i + \eta(y-\hat{y})x_i$ 常见的神经网络是每层神经元与下一层全互连,不存在同层或者跨层连接
ml basic: 03 models ml basic: 03 models
常用模型3.1 线性回归3.1.1 原理输入训练集数据$T = {(x_1,y_1) … (x_M,y_M)}$,$x_i \in \mathcal{X} \subseteq R^n$,$y_i \in R$ $f(x) = w^Tx+b
ml basic: 02 feature engineering ml basic: 02 feature engineering
特征工程2.1 特征提取将原始数据转化为实向量之后,为了 让模型更好地学习规律,对特征做进一步的变换。首先,要理解业务数据和业务逻辑。 其次,要理解模型和算法,清楚模型需要什么样的输入才能有精确的结果。 2.1.1 探索性数据分析Explo
ml basic: 01 problem modeling ml basic: 01 problem modeling
问题建模1.1 评估指标线下使用机器学习评估指标,线上使用的是业务指标。需要进行多轮模型迭代使两个指标变化趋势相同。 1.1.1 分类指标精确率和召回率 用于二分类问题,结合混淆矩阵。 精确率 P = $\frac{TP}{T