机器学习课程

我报名参加金石计划1期挑战——瓜分10万奖池，这是我的第1篇文章； 本文已参与「新人创作礼」活动，一起开启掘金创作之路 线性学习 回归分析是研究自变量x与因变量y的关系的方法。 生活中经常会有类似的关

上节中，我们使用逻辑斯蒂回归完成了二分类任务，针对多分类任务，我们可以采用以下措施，进行分类。 以三分类任务为例

支持向量机(SVM,support vector machine)是一种二类分类模型，其基本模型定义为特征空间上的间隔最大的线性分类器，其学习策略便是间隔最大化，最终可转化为一个凸二次规划问题的求解。

上节中，我们使用逻辑回归模型完成了线性可分的任务，那么，如果线性不可分任务，逻辑回归任务可以完成吗？ 同样，我们可以将自变量x的数据，进行多项式特征扩展，扩展后的数据特征可以完成非线性分类任务。

线性学习 回归分析是研究自变量x与因变量y的关系的方法。 当研究问题是非线性问题是，如何解决？多项式回归模型、广义线性回归模型。

回归模型 前面的例子都是在用线性模型解决回归任务，那么线性模型能否完成分类任务呢？相较于回归任务，分类任务的预测值是离散的，比如二分类问题，可以用0和1来表示两个类别。

决策树算法浅析 决策树的介绍 决策树的定义： 决策树是一种逼近离散值目标函数的方法，学习到的函数使用树结构进行表示，完成决策任务。这里决策树可以是分类树，也可以是回归树。

线性学习 回归分析是研究自变量x与因变量y的关系的方法。 上一节我们介绍了一元线性回归，下面我们看看多元线性回归模型

【机器学习课程】 第一章机器学习概述 1.人工智能 人工智能（Aritificial Intelligence， AI）是一门融合了计算机科学、统计学、脑神经学和社会科学的前沿综合性学科，它研究、开

【机器学习课程】第一章机器学习概述 2.机器学习。机器学习这个术语是1959年IMB公司的亚瑟·赛缪尔提出的：教会计算机学习它需要了解的关于世界的一切，以及如何为自己执行任务。

【机器学习课程】第一章机器学习概述 3.机器学习相关术语 数据集划分，泛化能力、拟合、过拟合与欠拟合。

【机器学习课程】第二章 数据准备 1.数据获取 ​1.1 非技术手段获取方法。 1.2 技术手段获取方法。 1.3 数据集下载

第二章 数据准备 2.数据质量分析 2.1为什么要进行数据质量分析 2.2数据质量分析工具 2.3 重复值检查 2.4缺失值检查 对空值进行操作 2.5异常值检查 2.6一致性检查

1.连续变量 等宽离散化(等宽重编码 2.连续变量 等频离散化(等频重编码) 3.连续变量 利用聚类离散化 4.连续变量 标准化(规范化) 5.离散变量 自然数编码/字典编码 6.独热编码/哑变量变换

1.2 多变量特征构造（特征衍生） 1.2.1双变量四则运算方法构造特征 1.在业务场景中，有关联的数据列通过简单的运算，将计算结果存储为新的特征列.

2.特征选择 2.1 Filter：过滤法 2.1.1方差过滤法 2.1.2 Pearson相关系数 2.1.3 卡方检验 2.1.4 互信息法 2.2 Wrapper：包装法 3.2.1 递归特征消