感知机是一种用于二元分类任务的线性机器学习算法。它可以被认为是最早也是最简单的人工神经网络类型之一。它绝对不是“深度”学习，但它是重要的构建块。与逻辑回归一样，它可以快速学习特征空间中的线性分离 [...]
用于回归的自编码器特征提取
自编码器是一种神经网络，可用于学习原始数据的压缩表示。自编码器由编码器和解码器子模型组成。编码器压缩输入，解码器尝试根据编码器提供的压缩版本重新创建输入。训练后，编码器模型 [...]
用于分类的自编码器特征提取
自编码器是一种神经网络，可用于学习原始数据的压缩表示。自编码器由编码器和解码器子模型组成。编码器压缩输入，解码器尝试根据编码器提供的压缩版本重新创建输入。训练后，编码器 [...]
如何手动优化神经网络模型
深度学习神经网络模型使用随机梯度下降优化算法在训练数据上进行拟合。使用误差的反向传播算法对模型的权重进行更新。优化和权重更新算法的组合经过精心选择，是拟合神经网络最有效的方法。 [...]
遗传编程书籍
遗传编程 (GP) 是一种用于进化程序以解决特定明确定义问题的算法。它是一种自动编程，旨在解决具有挑战性的问题，这些问题具有明确定义的任务，并且可以在低成本下轻松检查解决方案，尽管可能的解决方案的搜索空间非常广阔，而且直觉很少 [...]
Python 中的混合集成机器学习
融合是一种集成机器学习算法。它是堆叠泛化或堆叠集成的俗称，其中元模型不是在基模型做出的折外预测上进行拟合，而是在保持数据集上做出的预测上进行拟合。融合用于描述结合了数百个预测模型的堆叠模型 [...]
如何使用 XGBoost 开发随机森林集成
XGBoost 库提供了高效的梯度提升实现，可以配置为训练随机森林集成。随机森林是一种比梯度提升更简单的算法。XGBoost 库允许以一种重新利用和利用库中为训练随机森林实现的计算效率的方式来训练模型 [...]
如何开发轻量级梯度提升机（LightGBM）集成
Light Gradient Boosted Machine，简称 LightGBM，是一个开源库，提供了梯度提升算法的高效实现。LightGBM 通过添加一种自动特征选择以及专注于提升具有更大梯度的示例来扩展梯度提升算法。这可以带来显著的加速 [...]
Python 中的极端梯度提升（XGBoost）集成
Extreme Gradient Boosting (XGBoost) 是一个开源库，提供了梯度提升算法的高效实现。尽管 XGBoost 之前存在其他开源实现，但 XGBoost 的发布似乎释放了该技术的威力，并让应用机器学习社区注意到梯度提升 [...]
PyCaret 机器学习简明介绍
PyCaret 是一个 Python 开源机器学习库，旨在简化机器学习项目中标准任务的执行。它是 R 语言中 Caret 机器学习包的 Python 版本，因其仅需几行代码即可对给定数据集进行模型评估、比较和调整而广受欢迎 [...]