学习目录：决策树内容目录：一.决策树作用：   这是我们判断这是个好瓜还是坏瓜的决策流程，决策树的作用：1.帮助我们选择用哪个特征先做if，用哪个特征后做if，能最快的判断出这是好瓜还是坏瓜2.帮助我们确定特征中作为划分标准的数值二.原理推导三.代码预测：案例对比：比较决策树算法和KNN算法在鸢尾花数据集上的分类准确率使用决策树算法对鸢尾花数据集分类：from skl

一.如何用计算机可以处理的方式来表示单词（也叫作“分词”）import tensorflow as tffrom tensorflow import kerasfrom tensorflow.keras.preprocessing.test import Tokenizersentences=[‘I love my dog’,      

代价函数是凸函数但是模型中加完非线性激活 后，非线性层之间的多次复合变换，使得模型变的极为复杂，求出的预测值带入损失函数后，代价函数就不见得是凸函数了我们要求出代价函数的全局极小值点，由于有理论指出：代价函数的大部分极小值点足够接近全局极小值点。所以我们求极小值点就可以方法： 使用梯度下降算法（梯度指函数在该点处沿着该方向增长最快，那么我们沿着梯度的反方向，就可以使该函数在该点出下降最快）为了使w

代价函数是凸函数但是模型中加完非线性激活 后，非线性层之间的多次复合变换，使得模型变的极为复杂，求出的预测值带入损失函数后，代价函数就不见得是凸函数了我们要求出代价函数的全局极小值点，由于有理论指出：代价函数的大部分极小值点足够接近全局极小值点。所以我们求极小值点就可以方法： 使用梯度下降算法（梯度指函数在该点处沿着该方向增长最快，那么我们沿着梯度的反方向，就可以使该函数在该点出下降最快）为了使w

学习目录：随机森林算法目录为什么使用随机森林？当决策树产生过拟合时，可以使用随机森林算法优化一.集成学习      集成学习是通过建立几个模型组合来解决单一预测问题原理：生成多个分类器/模型，各自独立学习和做预测，然后将他们的预测结合成组合预测二.什么是随机森林      随机森

接上一个博客五.打造一个识别文本情感的模型使用kaggle用户发布的标题数据集，标题已被分成’sarcastic‘和’not sarcastic‘，’sarcastic‘用1表示，’not sarcastic‘用0表示目的：训练一个文本分类器，测试一句话是否具有讽刺意味第一步： 数据集内部数据是用json储存的，我们要先转换成python格式——————>第二步： 将json文件中的标签、文

代价函数是凸函数但是模型中加完非线性激活 后，非线性层之间的多次复合变换，使得模型变的极为复杂，求出的预测值带入损失函数后，代价函数就不见得是凸函数了我们要求出代价函数的全局极小值点，由于有理论指出：代价函数的大部分极小值点足够接近全局极小值点。所以我们求极小值点就可以方法： 使用梯度下降算法（梯度指函数在该点处沿着该方向增长最快，那么我们沿着梯度的反方向，就可以使该函数在该点出下降最快）为了使w

学习目录：内容目录：无监督学习包含算法：聚类：K-means(K均值聚类）降维：PCAK-means原理API：案例：如何对无监督学习进行评估？K-means算法总结：特点：采用迭代式算法，直观易懂且实用缺点：容易收敛到局部最优解（当k个初始点聚在一起的时候），可以使用多次聚类解决应用场景：当没有目标值时，先做聚类，如何再进行分类...

特征工程一.为什么需要特征工程？      因为“数据和特征决定机器学习的上限，而模型和算法只是逼近这个上限而已”，使用专业背景知识和技巧处理数据，使算法变得更好。二.什么是特征工程      sklearn库用于做特征工程    &nbs

特征工程一.为什么需要特征工程？因为“数据和特征决定机器学习的上限，而模型和算法只是逼近这个上限而已”，使用专业背景知识和技巧处理数据，使算法变得更好。二.什么是特征工程sklearn库用于做特征工程pandas库用来做数据清洗、数据处理。特征预处理定义：通过一些转换函数将特征数据转换成更加适合算法模型的特征数据的过程使用sklearn.preprocessing（）函数为什么要做归一化/标准化？