档案 | 从零开始编写算法

在本教程中，您将学习 K-近邻算法，包括其工作原理以及如何（不使用库）在 Python 中从零开始实现它。一种简单而强大的预测方法是使用与新数据最相似的历史示例。这就是 K-近邻 […] 背后的原理。

在本教程中，您将学习朴素贝叶斯算法，包括其工作原理以及如何（不使用库）在 Python 中从零开始实现它。我们可以利用概率在机器学习中进行预测。其中应用最广泛的例子或许就是朴素贝叶斯算法。它不仅简单明了 […]

让混淆矩阵不再“混淆”。混淆矩阵是一种用于总结分类算法性能的技术。如果每个类别中的观测数量不相等，或者数据集中有两个以上的类别，那么仅凭分类准确率可能会产生误导。计算混淆矩阵可以为您提供 […]

用 Python 一步步从零开始编写 Stacking 集成模型。集成方法是提高机器学习问题预测性能的绝佳方式。堆叠泛化（Stacked Generalization）或称 Stacking 是一种集成技术，它使用一个新模型来学习如何最好地组合在您的数据集上训练的两个或多个模型的预测结果。在 […]

决策树可能存在高方差的问题，这使得其结果对所使用的具体训练数据很敏感。通过从训练数据中抽样构建多个模型（称为 bagging）可以降低这种方差，但这些树之间高度相关。随机森林是 bagging 的一种扩展，除了基于多个 […] 构建树之外，还 […]

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。这意味着对于不同的训练数据，决策树可能会得到截然不同的结果。一种使决策树更稳健并获得更好性能的技术称为自助法聚合（bootstrap aggregation），简称 bagging。在本教程中，您将探索 […]

决策树是一种强大的预测方法，并且非常流行。它们之所以受欢迎，是因为最终的模型对于从业者和领域专家来说都非常容易理解。最终的决策树可以精确解释为什么会做出某个特定的预测，这使其在实际操作中非常有吸引力。决策树也为 […] 提供了基础。

反向传播算法用于经典的前馈人工神经网络。它至今仍是用于训练大型深度学习网络的技术。在本教程中，您将学习如何用 Python 从零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：如何前向传播 […]

K-近邻算法的一个局限性是，为了进行预测，您必须保留一个庞大的训练样本数据库。学习向量量化算法通过学习一个能最好地代表训练数据的、规模小得多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 […]

感知机算法是最简单的人工神经网络类型。它是一个单一神经元的模型，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，您将学习如何用 Python 从零开始实现感知机算法。完成 […]