机器学习基本概念

本文主要是介绍机器学习基本概念，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！

• 模型
  • 有监督
  • 无监督
• 计算框架
  • Tensorflow

模型

有监督

• SVM(support vector machine): 支持向量机，它的目标是确定一个分类超平面，从而将不同的数据分隔开
• XGBoost是GBDT的优化版，不论是精度还是效率上都有了提升。与GBDT相比，具体的优点有：
  • 损失函数是用泰勒展式二项逼近，而不是像GBDT里的就是一阶导数
  • 对树的结构进行了正则化约束，防止模型过度复杂，降低了过拟合的可能性
  • 节点分裂的方式不同，GBDT是用的基尼系数，XGBoost是经过优化推导后的

无监督

• 在k-means或kNN，我们是用欧氏距离来计算最近的邻居之间的距离。不用曼哈顿距离的原因是曼哈顿距离只计算水平或垂直距离，有维度的限制。另一方面，欧氏距离可用于任何空间的距离计算问题。因为，数据点可以存在于任何空间，欧氏距离是更可行的选择

计算框架

Tensorflow

• Tensorflow是一个通过计算图的形式来表述计算的编程系统，计算图也叫数据流图，可以把计算图看做是一种有向图，Tensorflow中的每一个计算都是计算图上的一个节点，而节点之间的边描述了计算之间的依赖关系

这篇关于机器学习基本概念的文章就介绍到这儿，希望我们推荐的文章对大家有所帮助，也希望大家多多支持为之网！