极客教程
决策树
决策树（Decision tree）由一个决策图和可能的结果（包括资源成本和风险）组成， 用来创建到达目标的规划。决策树建立并用来辅助决策，是一种特殊的树结构。决策树是一个利用像树一样的图形或决策模型的决策支持工具，包括随机事件结果，资源代...
机器学习
机器学习(Machine Learning, ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。
它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。
线性支持向量分类器(SVC)
线性支持向量分类器(SVC),线性SVC使用一度(线性/直线)边界对数据进行分类。与非线性分类器相比，该分类器的复杂度要低得多，只适用于小型数据集。更复杂的数据集需要一个非线性分类器。 下面是线性SVC机器学习支持向量机的Python例子。...
神经网络回归
神经网络回归(Neural Network Regression),顾名思义，神经网络的灵感来自大脑。它们形成一个由相互连接的节点组成的网络，这些节点按层排列，构成一个模型。当输入数据对于标准的机器学习方法来说太大时，神经网络被用来逼近函数...
分位数回归森林
分位数回归森林(Quantile Regression Forests)，一般回归模型预测均值，但该算法预测数据的分布。它可以用来预测给定输入的价格分布，例如，给定一些属性，汽车价格分布的第25和75百分位是多少。 大多数预测器在预测期间返...
多项式回归
多项式回归(Polynomial Regression),多项式回归与线性回归的概念相同，只是它使用的是曲线而不是直线(线性回归使用的是直线)。多项式回归学习更多的参数来绘制非线性回归曲线。对于不能用直线概括的数据，它是有益的。多项式回归是...
支持向量机 (SVM)(二)-Kernel SVM
支持向量机 (SVM)(二)-Kernel SVM,在前一节中，我们了解了如何使用简单的SVM算法来寻找线性可分数据的决策边界。然而，对于非线性可分数据，如下图1所示，直线不能作为决策边界。 图1:非线性可分数据 对于非线性可分数据，不能使...
支持向量机 (SVM)
支持向量机 (SVM)，SVM是一种分类回归算法。它的工作原理是识别一个超平面，该平面将数据中的类分隔开。超平面是一个几何实体，它的维数比周围的空间小1。 如果要求SVM对一个二维数据集进行分类，它会用一个一维的超空间(一条线)进行分类，三...
强化学习
强化学习(Reinforcement learning),机器学习的一个领域。它是关于在特定的情况下，采取适当的行动来最大化回报。它被各种软件和机器所利用，以找到在特定情况下应该采取的最佳行为或路径。强化学习不同于监督学习，在监督学习中，训...
机器学习中的数据介绍
机器学习中的数据介绍，数据分为3种层次： 数据:它可以是任何未经处理的事实、值、文本、声音或图片，没有被解释和分析。数据是所有数据分析、机器学习和人工智能中最重要的部分。没有数据，我们就无法训练任何模型，所有的现代研究和自动化都将付诸东流。...
朴素贝叶斯
朴素贝叶斯方法是一组基于贝叶斯定理的有监督学习算法，其“朴素”假设是给定类变量值的每一对特征之间存在条件独立性。贝叶斯定理给出了给定的类变量与依赖特征向量x_1到x_n之间的关系: P(y \mid x_1, \dots, x_n) = \...
