机器学习之旅

导读：经典机器学习算法中，Naive Bayes可占一席之地，也是唯一一个纯粹的概率分类算法模型。考虑其原理简单却不失强悍性能，Naive Bayes是个人最喜爱的算法之一——当然，另一个是决策树。

导读：在当今这个人工智能时代，似乎人人都或多或少听过机器学习算法；而在众多机器学习算法中，决策树则无疑是最重要的经典算法之一。

导读：逻辑回归是一种线性模型，更确切的说是嵌套了一层sigmoid函数的线性模型。 写在滕王阁下的一篇文章 01 为什么叫逻辑回归 分类和回归是机器学习中两类经典的问题，而逻辑回归虽然叫回归，却是一个

导读：日前，通俗易懂的推导了三种集成学习的原理及主要公式，今天本文基于Python从0开始手动实现一个Adaboost分类器，文中提供完整代码。

导读：本文主要介绍3种集成学习算法的原理及重要公式推导部分，包括随机森林（Random Forest）、自适应提升（AdaBoost）、梯度提升（Gradient Boosting）。

导读：作为一名数据分析师，当我初次接触数据分析三剑客（numpy、pandas、matplotlib）时，感觉每个库的功能都很多很杂，所以在差不多理清了各模块功能后便相继推出了各自教程

导读：近期在学习研究一些关于自动化机器学习方面的论文，本文作为该系列的第一篇文章，就AutoML的一些基本概念和现状进行简单分享，权当抱砖引玉。

导读：机器学习在当下早已成为一项热门的技术，在众多机器学习算法中，除去深度学习和强化学习等最新发展方向，若是谈及经典机器学习算法，那么集成学习算法无论是在效果上还是热度上都是当之无愧的焦点。

导读：机器学习中的一个经典理论是：数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限。也正因如此，特征工程在机器学习流程中占有着重要地位。广义的特征工程一般可分为三个环节：特征提取、特征选择

导读：从事机器学习相关岗位的同学都知道这样一句话：数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限。在数据确定的情况下，那么特征工程就成了唯一可供发挥的关键步骤。广义来讲，特征工程包括特征

在传统的算法建模过程中，影响算法性能的一个重要环节、也可能是最为耗时和无趣的一项工作就是算法的调参，即超参数优化（Hyper-parameter Optimization，HPO），因此很多算法

导读：从事数据挖掘相关工作的人肯定都知道XGBoost算法，这个曾经闪耀于数据挖掘竞赛的一代神器，是2016年由陈天齐大神所提出来的经典算法。

导读：前期在做一些机器学习的预研工作，对一篇迁移随机森林的论文进行了算法复现，其中需要对sklearn中的决策树进行继承和扩展API，这就要求理解决策树的底层是如何设计和实现的。

导读：时序预测是一类经典的问题，在学术界和工业界都有着广泛的研究和应用。甚至说，世间万物加上时间维度后都可抽象为时间序列问题，例如股票价格、天气变化等等。

导读：在前期推文Python中的时序分析工具包推荐（1）中介绍了时序分析的三个工具包，分别侧重于时序特征工程、基于sklearn的时序建模和更为高级的时序建模工具。

导读：时间序列分析是一类经典问题，常见的场景需求包括时序预测、时序分裂、时序聚类、异常检测等。作为一名算法工程师，当调包遇上时间序列，有哪些好用的工具包呢？

使用AutoGluon自动化机竞赛平台时，对DataCastle竞赛平台上的某训练赛进行了探索和试用。

人间很真实，数据不欺人。用机器学习+Interpret+Adult开源数据集，来分析一下影响成年人年收入的因素有哪些