本文来自于csdn，本文将通过以OCR（光学字符识别）的场景来介绍深度学习在计算机视觉中的应用。1.数据分布，x轴是属性城市人口，y轴是标签值盈利：2.目的：使用一个线性函数去拟合上面这些数据；
该线性函数如下只有两个参数，利用梯度下降找出使损失值最小时，对应的两个参数值，即得到了线性函数。
算法三要素：
1）设置线性函数，即假设函
2022-01-07 17:00:14
988KB
1
各类算法是机器学习的一个入门要点。本课程详细讲解了线性回归算法的原理，推导过程、相关扩展方法和代码实战，并为数学基础不牢的入门人群复习所需要的数学知识，辅以多个代码实战，帮助您深入理解线性回归算法。
2021-12-31 22:43:59
5.24MB
1
使用R的集成方法
######我已经完成了关于集成方法的个人项目（论文）。 首先，我对不同的集成方法进行了背景研究，然后在基础机器学习算法上实现了Boosting，AdaBoost，Bagging和随机森林技术。 我使用了提升方法来提高弱小的学习者（如决策树桩）的性能。 为决策树（包括回归和分类问题）和KNN分类器实施装袋。 将随机森林用作分类树。 我已经在使用不同阈值的逻辑回归算法上实现了一种特殊的增强算法，称为“ AdaBoost”。 然后绘制不同的图形，例如错误率与增强，装袋和随机森林迭代的关系。 比较装袋与提振的结果。 在应用集成方法之前和应用集成方法之后，分析了分类器的性能。 使用了诸如交叉验证，MSE，PRSS，ROC曲线，混淆矩阵和袋外误差估计之类的不同模型评估技术来评估集成技术的性能。
2021-12-29 22:46:40
12KB
1
主要介绍了Python使用sklearn实现的各种回归算法,结合实例形式分析了Python使用sklearn库实现的决策树回归、线性回归、SVM回归、KNN回归、随机森林回归等各种回归算法,需要的朋友可以参考下
2021-12-26 22:55:44
420KB
1
本文实例讲述了Python使用sklearn实现的各种回归算法。分享给大家供大家参考，具体如下：
使用sklearn做各种回归
基本回归：线性、决策树、SVM、KNN
集成方法：随机森林、Adaboost、GradientBoosting、Bagging、ExtraTrees
1. 数据准备
为了实验用，我自己写了一个二元函数，y=0.5*np.sin(x1)+ 0.5*np.cos(x2)+0.1*x1+3。其中x1的取值范围是0~50，x2的取值范围是-10~10，x1和x2的训练集一共有500个，测试集有100个。其中，在训练集的上加了一个-0.5~0.5的噪声。生成函数的代码如下：
2021-12-20 18:11:44
421KB
1
资源中包含逻辑回归算法的Python代码和测试数据，python的版本为3.6，您运行代码前，将测试文件路径修改为您本地的存储路径，使用pycharm平台运行即可。
2021-12-14 15:05:26
2KB
1