• 后高考时代 孩子们这样致青春 2019-08-12
  • 湖南高校:将十九大精神融入基础课教学建设 2019-08-12
  • 兰州大学“习近平新时代中国特色社会主义思想研究中心”成立 2019-08-10
  • 监察体制改革后 湘西半年72名公职人员主动交代问题 2019-08-10
  • 中方有力回击!美国多个行业喊痛:“加征关税就是对美国消费者征税” 2019-08-07
  • 工信部:鼓励婴幼儿配方乳企质量安全追溯体系建设 2019-08-06
  • 相思湖边包鱼粽 孝心满满全家欢 2019-07-24
  • 英伦绅士新打开方式 试驾捷豹XFL 3.0SC 2019-07-20
  • 发展改革委就创新和完善宏观调控等答问 2019-07-13
  • 深圳2018年将开行3趟援疆旅游扶贫专列 2019-07-01
  • 房地产就有国家和集体之土地不计价到计价,这笔是经济收入还是财产收入? 2019-07-01
  • Map Out Your Life in Chongqing 2019-06-28
  • 世界杯黄历:日本换帅对战黑马“小哥” 2019-06-27
  • 小区麻将馆 何时不扰民 2019-06-26
  • 纷纷“结缘”世界杯 家电企业图什么 2019-06-13
  • 当前位置 > CPDA数据分析师 > “数”业专攻 > 学习数据分析时 需要了解的一些机器学习算法

    前三组遗漏:学习数据分析时 需要了解的一些机器学习算法

    浙江快乐彩和值走势图 www.pn-vs.com 来源:数据分析师 CPDA | 时间:2018-09-17 | 作者:admin

    “大数据”这个词在今年来盛行,并且在接下来的几年中将继续盛行。在我们之前的文章中,我介绍了一些关于大数据,机器学习和数据挖掘的概念。现在让我们深入研究机器学习,简要介绍一些最常用的ML算法,没有代码,没有抽象理论,只有图片和一些如何使用它们的例子。

    本文涉及的算法列表包括:

    • 决策树
    • 随机森林
    • 逻辑回归
    • 支持向量机
    • 朴素贝叶斯
    • K-最近邻
    • K均值
    • Adaboost的
    • 神经网络
    • 马尔科夫

    1.决策树

    使用某些属性将一组数据分类到不同的组中,在每个节点上执行测试,通过brach判断,进一步将数据拆分为两个不同的组,依此类推。测试基于现有数据完成,并且当添加新数据时,可以将其分类到相应的组

    根据某些功能对数据进行分类,每当进程进入下一步时,都有一个判断分支,判断将数据分成两部分,然后进行处理。当使用现有数据进行测试时,新数据可以是现有数据学习的这些问题,当有新数据进入时,计算机可以将数据分类到正确的叶子中。

     

    QQ截图20180917135829 - 学习数据分析时 需要了解的一些机器学习算法

    2.Random Forest
    从原始数据中随机选择,并形成不同的子集。

     

    QQ截图20180917135930 - 学习数据分析时 需要了解的一些机器学习算法

    Matrix S是原始数据,它包含1-N个数据行,而A,B,C是特征,最后一个C代表类别。

     

    QQ截图20180917140021 - 学习数据分析时 需要了解的一些机器学习算法

     

    从S创建随机子集,假设我们有M组子集。

     

    QQ截图20180917140037 - 学习数据分析时 需要了解的一些机器学习算法

     

    我们从这些子集中获取M组决策树:将
    新数据投入到这些树中,我们可以获得M组结果,并且我们计算查看哪些结果在所有M组中最多,我们可以将其视为最终结果。

     

    QQ截图20180917140048 - 学习数据分析时 需要了解的一些机器学习算法

    3.Logistic回归
    当预测目标的概率大于0且小于或等于1时,简单线性模型无法实现。因为当定义域不在特定级别内时,范围将超过指定的间隔。

     

    QQ截图20180917140100 - 学习数据分析时 需要了解的一些机器学习算法

     

    我们最好选择这种型号。

     

    QQ截图20180917140109 - 学习数据分析时 需要了解的一些机器学习算法

     

    那么我们怎么能得到这个模型呢?
    该模型需要满足两个条件,“大于或等于0”,“小于或等于1”

     

    QQ截图20180917140118 - 学习数据分析时 需要了解的一些机器学习算法

     

    我们改变公式,我们可以得到逻辑回归模型:

    通过计算原始数据,我们可以得到相应的系数。
    我们得到了逻辑模型图。

    4.Support Vector Machine
    要将两个类与超平面分开,最好的选择是超平面从两个类中留下最大余量。因为Z2> Z1,所以绿色更好。

     

     

    QQ截图20180917140150 - 学习数据分析时 需要了解的一些机器学习算法

     

    使用线性方程表示超平面,线上方的类大于或等于1,另一类小于或等于-1。

     

    QQ截图20180917140159 - 学习数据分析时 需要了解的一些机器学习算法

     

    使用图表中的公式计算点到曲面的距离:

     

    QQ截图20180917140206 - 学习数据分析时 需要了解的一些机器学习算法

     

    所以我们得到总保证金的表达如下,目的是最大化保证金,我们需要做的是最小化分母。

     

    QQ截图20180917140246 - 学习数据分析时 需要了解的一些机器学习算法

     

    例如,我们使用3个点来找到最优超平面,定义权重向量=(2,3) - (1,1)

     

    QQ截图20180917140313 - 学习数据分析时 需要了解的一些机器学习算法

     

    并获得权重向量(a,2a),将这两个点代入等式

     

    QQ截图20180917140322 - 学习数据分析时 需要了解的一些机器学习算法

     

    当确认a时,使用(a,2a)的结果是支持向量,
    在a和w0中代入的等式是支持向量机。

     

    5.Naive Bayes
    这里是NLP的一个例子:
    给出一段文本,检查文本的态度是积极的还是消极的。

     

    QQ截图20180917140343 - 学习数据分析时 需要了解的一些机器学习算法

     

    要解决这个问题,我们只能看一些单词:

     

    QQ截图20180917141127 - 学习数据分析时 需要了解的一些机器学习算法

     

    而这些话只代表一些词语及其统计。

     

    QQ截图20180917141136 - 学习数据分析时 需要了解的一些机器学习算法

     

    最初的问题是:给你一个句子,它属于哪个类别?
    通过使用贝叶斯规则,这将是一个简单的问题。

     

    QQ截图20180917141225 - 学习数据分析时 需要了解的一些机器学习算法

     

    在这个课程中,问题变成了这句话发生的概率是多少?并且记住不要忘记等式中的另外两个概率。
    示例:单词“love”出现的概率在正类中为0.1,在负类中为0.001。

     

    QQ截图20180917141235 - 学习数据分析时 需要了解的一些机器学习算法
    6.k-NearestNeighbor
    当出现一个新的数据时,哪个类别的点数最接近它,它属于哪个类别。
    例如:为了区分“狗”和“猫”,我们从两个特征“爪子”和“声音”来判断。圆圈和三角形是已知的类别,“星星”怎么样:

     

    QQ截图20180917141312 - 学习数据分析时 需要了解的一些机器学习算法

     

    当K = 3时,这三条线连接最近的3个点,圆圈更多,因此“星”属于“猫”。

     

    QQ截图20180917141321 - 学习数据分析时 需要了解的一些机器学习算法

    7.k-means
    将数据分为3类,粉红色部分最大,黄色最小。
    选择默认值3,2,1并计算其余数据与默认值之间的距离,并将其分类为具有最短距离的类。

     

    QQ截图20180917141331 - 学习数据分析时 需要了解的一些机器学习算法

     

    分类后,计算每个类的平均值,并将其设置为新的中心。

     

    QQ截图20180917141342 - 学习数据分析时 需要了解的一些机器学习算法

     

    几轮之后,我们可以在课程不再变化时停止。

     

    QQ截图20180917141353 - 学习数据分析时 需要了解的一些机器学习算法

    8.Adaboost
    Adaboost是提升的一种衡量标准。
    提升是收集没有满意结果的分类器,并生成可能具有更好效果的分类器。
    如下所示,树1和树2没有单独的好效果,但如果我们输入相同的数据,并总结结果,最终结果将更有说服力。

     

    QQ截图20180917141410 - 学习数据分析时 需要了解的一些机器学习算法

     

    adaboost的一个例子,在手写识别中,面板可以提取许多特征,例如开始方向,起点和终点之间的距离等。

     

    QQ截图20180917141427 - 学习数据分析时 需要了解的一些机器学习算法

     

    在训练机器时,它会得到每个特征的重量,如2和3,它们的写入起点非常相似,所以这个特征对分类几乎没有,所以它的重量很小。

     

    QQ截图20180917141436 - 学习数据分析时 需要了解的一些机器学习算法

     

    但是这个α角具有很好的可识别性,因此这个特征的重量会很大。最终结果将是考虑所有这些功能的结果。

     

    QQ截图20180917141443 - 学习数据分析时 需要了解的一些机器学习算法

     

    9.Nural Network
    在NN中,输入可能最终成为至少两个类。
    神经网络由neures和neures的连接组成。
    第一层是输入层,最后一层是输出层。
    在隐藏层和输出层中,它们都有自己的分类器。

     

    QQ截图20180917141452 - 学习数据分析时 需要了解的一些机器学习算法

     

    当输入进入网络并被激活时,计算得分将传递到下一层。输出图层中显示的分数是每个类的分数。下面的例子得到了1级的结果;

     

    QQ截图20180917141500 - 学习数据分析时 需要了解的一些机器学习算法

    传递给不同结的相同输入产生不同的分数,这是因为在每个结中,它具有不同的权重和偏差,这就是传播。

    10.Markov
    Markov Chain由状态和转换组成。
    例如,根据“快速棕色狐狸跳过懒狗”获得马尔可夫链。
    首先,我们需要在状态下设置每个单词,并且我们需要计算状态转换的概率。

    QQ截图20180917141509 - 学习数据分析时 需要了解的一些机器学习算法

    这些是由一个单句计算的概率。当您使用大量文本数据来训练计算机时,您将获得更大的状态转换矩阵,例如可以跟随“the”的单词及其相应的概率。

     

    QQ截图20180917141518 - 学习数据分析时 需要了解的一些机器学习算法

  • 后高考时代 孩子们这样致青春 2019-08-12
  • 湖南高校:将十九大精神融入基础课教学建设 2019-08-12
  • 兰州大学“习近平新时代中国特色社会主义思想研究中心”成立 2019-08-10
  • 监察体制改革后 湘西半年72名公职人员主动交代问题 2019-08-10
  • 中方有力回击!美国多个行业喊痛:“加征关税就是对美国消费者征税” 2019-08-07
  • 工信部:鼓励婴幼儿配方乳企质量安全追溯体系建设 2019-08-06
  • 相思湖边包鱼粽 孝心满满全家欢 2019-07-24
  • 英伦绅士新打开方式 试驾捷豹XFL 3.0SC 2019-07-20
  • 发展改革委就创新和完善宏观调控等答问 2019-07-13
  • 深圳2018年将开行3趟援疆旅游扶贫专列 2019-07-01
  • 房地产就有国家和集体之土地不计价到计价,这笔是经济收入还是财产收入? 2019-07-01
  • Map Out Your Life in Chongqing 2019-06-28
  • 世界杯黄历:日本换帅对战黑马“小哥” 2019-06-27
  • 小区麻将馆 何时不扰民 2019-06-26
  • 纷纷“结缘”世界杯 家电企业图什么 2019-06-13
  • 快乐10分走势图 qq彩票合买保底 nba历史得分榜前十 竞彩篮球大小分赚钱 山东十一选五今日预测 北京赛车pk10下载 新东泰赌场 另版赌彩情探横财富 3d之家兰姐五码复式 江西快3走势图基本走势图 快乐时时彩a盘下载 重庆福利彩票销售店怎么样 20选5走势图 福建22选5规则 山西快乐十分走势分布