作者归档 | Jason Brownlee

决策树是一种简单而强大的预测建模技术，但它们存在高方差的问题。这意味着给定不同的训练数据，树可能会得到非常不同的结果。一种使决策树更健壮并获得更好性能的技术称为引导聚合（bootstrap aggregation），简称 bagging。在本教程中，您将发现 […]

决策树是一种强大的预测方法，而且非常受欢迎。它们受欢迎的原因是最终模型对于从业者和领域专家来说都非常容易理解。最终的决策树可以准确地解释为什么会做出特定的预测，这使得它对于实际应用非常有吸引力。决策树也为 […] 奠定了基础。

反向传播算法用于经典的前馈人工神经网络。它仍然是训练大型深度学习网络的常用技术。在本教程中，您将学习如何使用 Python 从头开始实现神经网络的反向传播算法。完成本教程后，您将了解：如何进行前向传播 […]

k-近邻算法的一个限制是，您必须维护一个大型的训练示例数据库才能进行预测。学习向量量化（Learning Vector Quantization）算法通过学习一个更小的、能最好地代表训练数据的模式子集来解决这个问题。在本教程中，您将学习如何实现学习向量量化 […]

感知器算法是最简单的一种人工神经网络。它是一个单神经元模型，可用于二分类问题，并为后续开发更大型的网络奠定了基础。在本教程中，您将学习如何使用 Python 从头开始实现感知器算法。完成之后 […]

逻辑回归是处理二分类问题的首选线性分类算法。它易于实现、易于理解，并且在许多问题上都能获得很好的结果，即使在方法的期望与您的数据不符的情况下也是如此。在本教程中，您将学习如何使用随机梯度下降来实现逻辑回归 […]

许多机器学习算法的核心是优化。优化算法被机器学习算法用来根据训练数据集找到一组好的模型参数。机器学习中最常用的优化算法是随机梯度下降。在本教程中，您将学习如何实现随机梯度下降来 […]

线性回归是一种已有 200 多年历史的预测方法。简单线性回归是一个很棒的第一个机器学习算法实现，因为它需要您从训练数据集中估计属性，但又足够简单，初学者可以理解。在本教程中，您将学习如何实现简单的 […]

我们无法知道哪种算法最适合某个问题。因此，我们需要设计一个测试平台来评估不同的机器学习算法。在本教程中，您将学习如何使用 Python 从头开始开发一个机器学习算法测试平台。完成本教程后，您将 […]