作者归档 | Jason Brownlee

在 Python 中从零开始实现随机爬山法

由 Jason Brownlee 于 2021 年 10 月 12 日发表在优化分类下，有 7 条评论

随机爬山法是一种优化算法。它在搜索过程中利用了随机性。这使得该算法适用于其他局部搜索算法效果不佳的非线性目标函数。它也是一种局部搜索算法，这意味着它会修改单个解决方案并在相对局部进行搜索[…]

由 Jason Brownlee 于 2021 年 11 月 14 日发表在优化分类下，有 76 条评论

曲线拟合是一种优化类型，它为给定的函数找到一组最佳参数，该函数最适合给定的一组观测值。与监督学习不同，曲线拟合要求您定义将输入示例映射到输出的函数。映射函数，也称为基函数，可以具有任何[…]

由 Jason Brownlee 于 2020 年 11 月 1 日发表在时间序列分类下，有 151 条评论

随机森林是一种流行且有效的集成机器学习算法。它广泛用于结构化（表格）数据集的分类和回归预测建模问题，例如电子表格或数据库表中的数据。随机森林也可用于时间序列预测，尽管它要求时间序列[…]

由 Jason Brownlee 于 2021 年 4 月 27 日发表在集成学习分类下，有 28 条评论

随机子空间集成是一种机器学习算法，它结合了在训练数据集的不同列子集上训练的多个决策树的预测。随机改变用于训练集合中每个贡献成员的列会产生集合的多样性，从而可以提高性能[…]

由 Jason Brownlee 于 2021 年 4 月 27 日发表在集成学习分类下，有 4 条评论

像逻辑回归和支持向量机这样的机器学习算法是为二分类（二元）分类问题设计的。因此，这些算法要么必须修改为多分类（多于两个）分类问题，要么根本不使用。纠错输出码方法是一种技术，它允许将多分类问题重新表述为[…]

由 Jason Brownlee 于 2021 年 4 月 27 日发表在集成学习分类下，有 14 条评论

集成方法对机器学习有哪些好处？集成是预测模型，它们结合了两个或多个其他模型的预测。当预测建模项目上的最佳性能是最重要的结果时，集成学习方法很受欢迎，并且是首选技术。但是，它们并不总是最合适的技术[…]

由 Jason Brownlee 于 2021 年 4 月 27 日发表在集成学习分类下，有 18 条评论

我们生活中的许多决定都基于多个他人的意见。这包括根据评论选择一本书阅读，根据多位医生的建议选择行动方案，以及确定罪责。通常，一群人的决策会比[…]的结果更好。

由 Jason Brownlee 于 2021 年 4 月 27 日发表在集成学习分类下，有 0 条评论

集成学习涉及结合多个机器学习模型的预测。其效果既可以提高预测性能，也可以降低模型预测的方差。机器学习教科书中涵盖了集成方法；但是，也有专门介绍该主题的书籍。在这篇文章中，您将发现顶[…]

由 Jason Brownlee 于 2020 年 6 月 24 日发表在深度学习分类下，有 19 条评论

Softmax 是一个数学函数，它将一个数字向量转换为一个概率向量，其中每个值的概率与其在向量中的相对比例成正比。Softmax 函数在应用机器学习中最常见的用途是作为[…]中的激活函数。

由 Jason Brownlee 于 2020 年 10 月 25 日发表在 Python 机器学习分类下，有 4 条评论

回归是一项建模任务，涉及在给定输入的情况下预测数值。线性回归是回归的标准算法，它假设输入和目标变量之间存在线性关系。线性回归的一个扩展包括在训练期间向损失函数添加惩罚，以鼓励具有较小系数的更简单的模型[…]