标签:KNN machinefinal 回归 分类 考点 训练样本 模型
回归=值
分类=类
有监督:有标签
无监督:无标签(物类聚,人群分)
what is machine learning?
任务T,合理性能度量方案P,学习经验E,随着大量优质E(梯度下降),性能提高
(设计系统,学习,参数优化,预测问题)
class2
class3
class4
步骤:
- 加载数据(预处理)
- 分割数据
- 建立模型
- 训练模型
- 验证模型
class5 线性回归
class6逻辑回归
逻辑回归:二分类
class8
KNN
- 计算测试样本和所有训练样本的距离
- 为测试样本选择k个与其距离最小的训练样本(K不一定是奇数)
- 统计出k个训练样本中大多数样本所属的分类
- 这个分类为分类数据所属的分类
考点1:学过哪些模型?
预测房价? 线性回归
分类:KNN,决策树,逻辑回归
(逻辑回归:预测某个类别得1的概率,小于0.5为负,大于0.5为正?)
(KNN:鸳鸯花分类?)
考点2:独热编码变成多少?
类别型特征,如:性别(男、女)
sklearn.preprocessing.OneHotEncoder()
考点3:模型评价指标和模型选择
真正例TP, 假正例FP,真反例TN,假反例FN,
召回率
精确率
FPR
训练集:求参数
测试集:测试模型
网课1.1线性回归
标签:KNN,machinefinal,回归,分类,考点,训练样本,模型 来源: https://www.cnblogs.com/dreamzone/p/15633029.html
本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享; 2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关; 3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关; 4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除; 5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。