数据集可能包含缺失值，这会给许多机器学习算法带来问题。因此，在对预测任务进行建模之前，识别并替换输入数据中每一列的缺失值是一个很好的做法。这被称为缺失数据插补，或简称插补。一种流行的数据处理方法 [...]
Python 中用于降维的线性判别分析
为预测模型减少输入变量的数量被称为降维。更少的输入变量可以产生更简单的预测模型，在对新数据进行预测时可能具有更好的性能。线性判别分析，或简称 LDA，是一种用于多类分类的预测建模算法。它也可以 [...]
Python 中用于降维的奇异值分解
为预测模型减少输入变量的数量被称为降维。更少的输入变量可以产生更简单的预测模型，在对新数据进行预测时可能具有更好的性能。在机器学习中，降维更常用的技术是奇异值分解，或简称 SVD [...]
Python 中的主成分分析（PCA）用于降维
为预测模型减少输入变量的数量被称为降维。更少的输入变量可以产生更简单的预测模型，在对新数据进行预测时可能具有更好的性能。在机器学习中，最常用的降维技术也许是主成分分析，或简称 PCA [...]
机器学习降维简介
数据集的输入变量或特征的数量被称为其维度。降维指的是减少数据集中输入变量数量的技术。更多的输入特征通常会使预测建模任务更难建模，通常被称为“维度灾难”。高维统计 [...]
如何在 Python 中开发梯度提升机集成
梯度提升机是一种强大的集成机器学习算法，它使用决策树。提升是一种通用的集成技术，它涉及到按顺序向集成中添加模型，后续模型会纠正先前模型的性能。AdaBoost 是第一个兑现提升承诺的算法。梯度提升是一种泛化 [...]
如何在Python中开发AdaBoost集成模型
提升是一类集成机器学习算法，涉及到组合许多弱学习器的预测。弱学习器是一种模型，它非常简单，尽管在数据集上具有一定的技能。在实用算法能够被开发出来之前，提升是一个理论概念，而 AdaBoost（自适应提升）算法 [...]
机器学习中算法与模型的区别
机器学习涉及机器学习算法和模型的应用。对于初学者来说，这非常令人困惑，因为“机器学习算法”经常与“机器学习模型”互换使用。它们是同一事物还是不同的事物？作为一名开发人员，您对排序算法和搜索算法等“算法”的直觉将有助于澄清 [...]
如何使用 Python 开发 Bagging 集成算法
Bagging 是一种集成机器学习算法，它组合了许多决策树的预测。它的实现也很容易，因为它只有少数几个关键的超参数，并且有合理的启发式方法来配置这些超参数。Bagging 在一般情况下表现良好，并为一整套决策树算法 [...]
机器学习中自由度的简明入门
自由度是统计学和工程学中的一个重要概念。它经常被用来总结计算统计量（如样本统计量或统计假设检验）所使用的值的数量。在机器学习中，自由度可能指的是模型中参数的数量 [...]