使用深度学习进行预测建模是现代开发人员需要掌握的一项技能。TensorFlow 是由 Google 开发和维护的首屈一指的开源深度学习框架。虽然直接使用 TensorFlow 可能具有挑战性，但现代的 tf.keras API 将 Keras 的简洁性和易用性引入了 TensorFlow 项目。使用 tf.keras 可以让您设计 [...]
作者归档 | Jason Brownlee
标准机器学习数据集的最佳结果
初学者机器学习从业者在小型真实世界数据集上进行练习非常重要。所谓的标准机器学习数据集包含实际观察，可以适应内存，并且经过充分研究和理解。因此，它们可以供初学者从业者快速测试、探索和练习数据准备和建模技术。从业者可以确认 [...]
机器学习中的算术平均数、几何平均数与调和平均数
计算变量或数字列表的平均值是机器学习中的常见操作。您可以每天直接使用此操作，例如在汇总数据时，或间接使用，例如在拟合模型时作为更大过程中的较小步骤。平均值是 [...] 的同义词。
如何在 Python 中转换回归的目标变量
数据准备是应用机器学习的重要组成部分。正确准备训练数据可能意味着平庸结果和非凡结果之间的区别，即使是使用非常简单的线性算法。执行数据准备操作，例如缩放，对于输入变量来说相对简单，并且通过 scikit-learn 的 Pipeline 类在 Python 中已经变得常规。 [...]
调整分类机器学习算法的超参数
机器学习算法具有超参数，这些超参数允许您根据特定数据集定制算法的行为。超参数不同于参数，参数是模型通过学习算法找到的内部系数或权重。与参数不同，超参数由从业者在配置模型时指定。通常，这是一个具有挑战性的 [...]
如何在 Python 中开发超级学习器集成
为预测建模问题选择机器学习算法需要使用 k 折交叉验证来评估许多不同的模型和模型配置。超级学习器是一种集成机器学习算法，它结合了您可能为预测建模问题研究的所有模型和模型配置，并使用它们来做出预测 [...]
通过实例建立对贝叶斯定理的直觉
贝叶斯定理提供了一种计算条件概率的基本方法。它是一种看似简单的计算，提供了一种易于使用的方法来处理我们直觉经常出错的情况。培养对贝叶斯定理直觉的最佳方法是思考方程中各项的含义以及 [...]
如何在机器学习中使用折外预测
机器学习算法通常使用重采样技术（如 k 折交叉验证）进行评估。在 k 折交叉验证过程中，会对未用于训练模型的数据组成的测试集进行预测。这些预测被称为“折外预测”，是一种“样本外预测”。折外预测在机器学习中发挥着重要作用 [...]
贝叶斯最优分类器简明入门
贝叶斯最优分类器是一种概率模型，它为新样本做出最可能的预测。它使用贝叶斯定理进行描述，该定理提供了一种计算条件概率的基本方法。它也与最大后验概率密切相关：一种称为 MAP 的概率框架，它寻找 [...]
机器学习模型选择的简要介绍
有了 scikit-learn 和 Keras 等易于使用的机器学习库，就可以轻松地在给定的预测建模数据集上拟合许多不同的机器学习模型。因此，应用机器学习的挑战就变成了如何在一系列可用于您问题的模型中进行选择。朴素地，您可能认为模型 [...]