-
- 崔华乐 2024-04-23
一、机器学习解决问题的框架
训练模型
定义模型
定义损失函数
优化算法
模型评估
交叉验证
多个算法分别带入同一类数据，验证效果
效果评估
评估多个算法间的差异
- 0赞 · 0采集
-
- 慕少7339756 2023-07-31
1
- 0赞 · 0采集
-
- 慕少7339756 2023-07-31
来自网络：损失函数用来评价模型的预测值和真实值不一样的程度，损失函数越好，通常模型的性能越好。不同的模型用的损失函数一般也不一样。
解析解： 精确的解。
近似解：使得损失函数/偏差函数 比较小的解。
- 0赞 · 0采集
-
- 即白CV 2023-03-18
1
- 0赞 · 0采集
-
- _Clouds 2021-10-27
机器学习大致框架-思路
- 0赞 · 0采集
-
- 大白小白i 2021-08-28
6-2机器学习解决问题（2）
训练模型
定义模型
定义损失函数 找偏差最小的一个函数 针对很大的数据集来说
优化算法 出发点就是为了让损失函数取最小
模型评估
交叉验证 将不同的算法带入同一类数据中，验证效果
效果评估 根据标准可以看出几个算法之间具体的差别、效果
- 0赞 · 0采集
-
- weixin_慕姐6432486 2020-02-23
损失函数与优化算法是重点，难度比较大
- 0赞 · 0采集
-
- 要做就做周幽王 2019-10-15
机器学习解决问题的框架：
训练模型：定义模型、定义损失函数、优化算法、模型评估、效果评估
- 0赞 · 0采集
-
- 霜花似雪 2019-10-11
机器学习解决问题的框架：
二、训练模型
STEP1：定义模型（形成目标公式）
STEP2：定义损失函数（数学的方式定义预测值与现实值的差异）
STEP3：优化算法（寻找确定损失函数极小值）
三、模型评估（标准）
STEP1：交叉验证
STEP2：效果评估
训练模型
（1）定义模型：确定模型，训练出模型的参数
（2）定义损失函数（定义偏差的大小）：评价真实结果与模型的预测结果的相似程度和差异度。 机器学习解决的问题，有时不能得到精确解只能寻找近似解。 偏差最小的函数，针对很大的数据集，就是损失函数。 让损失函数求最小，就是优化算法。对于线性回归模型，计算预测结果与实际结果的差值；对于分类模型，则需要定义自己的损失函数
（3）优化算法：对算法进行优化，使损失函数取极小值，如梯度下降法......
-
截图0赞 · 2采集
-
- 灿若星辰7587352 2019-08-18
课程小结：
Q：什么是机器学习？
A：计算机在历史数据中去寻找规律，然后在未来不确定中做决策。
Q：机器学习的典型行业案例？
A：1【关联规则】-购物篮分析 ；
2 【聚类】-用户细分精准营销；
3【朴素贝叶斯和决策树】-垃圾邮箱、行用卡诈骗（银行信用贷款风险识别）；
4【ctr预估和协同过滤】ctr预估-互联网广告的点击预估、协同过滤-类似购物篮分析；
5【自然语言处理和图像识别】情感识别、实体识别、图像深度学习；
6【更多应用】
Q：机器学习和传统数据分析的区别？
A：机器学习（行为数据—海量数据—全量分析—预测未来发生的事—数据挖掘：数据驱动自我进行知识发现—用户目标：个体如个性推荐）
数据分析（交易数据—少量数据—采样分析—报告过去的事情—OLAP-数据分析：用户驱动—用户目标：公司高层决策）
Q：机器学习的经典算法
A：1有监督学习、无监督学习、半监督学习
2 分类回归、聚类、标注
3 生成模型和判别模型（训练模型思维上不一样）
生成模型：不会告诉你数据属于哪一类，只会告诉你数据属于各个类别的概率，结果模棱两可，就像陪审团
判别模型：直接告诉你属于哪一类，结果非1即2，就像法官说你有罪/无罪
【FP-Ggrowth】
【罗辑回归】百度、谷歌的搜索推荐排序
【RF、GBDT】对决策树算法的改进
【推荐算法】各大电商的标配，关联推荐法则
【LDA】【Word2Vector】【HMM \ CRF】三者都是对自然语言文本的处理算法
【深度学习】图像识别
- 0赞 · 0采集
-
- 灿若星辰7587352 2019-08-18
课程小结：
Q：什么是机器学习？
A：计算机在历史数据中去寻找规律，然后在未来不确定中做决策。
Q：机器学习的典型行业案例？
A：1【关联规则】-购物篮分析 ；
2 【聚类】-用户细分精准营销；
3【朴素贝叶斯和决策树】-垃圾邮箱、行用卡诈骗（银行信用贷款风险识别）；
4【ctr预估和协同过滤】ctr预估-互联网广告的点击预估、协同过滤-类似购物篮分析；
5【自然语言处理和图像识别】情感识别、实体识别、图像深度学习；
6【更多应用】
Q：机器学习和传统数据分析的区别？
A：机器学习（行为数据—海量数据—全量分析—预测未来发生的事—数据挖掘：数据驱动自我进行知识发现—用户目标：个体如个性推荐）
数据分析（交易数据—少量数据—采样分析—报告过去的事情—OLAP-数据分析：用户驱动—用户目标：公司高层决策）
Q：机器学习的经典算法
A：1有监督学习、无监督学习、半监督学习
2 分类回归、聚类、标注
3 生成模型和判别模型（训练模型思维上不一样）
生成模型：不会告诉你数据属于哪一类，只会告诉你数据属于各个类别的概率，结果模棱两可，就像陪审团
判别模型：直接高数你属于哪一类，结果非1即2，就像法官说你有罪/无罪
【FP-Ggrowth】
【罗辑回归】百度、谷歌的搜索推荐排序
【RF、GBDT】对决策树算法的改进
【推荐算法】各大电商的标配，关联推荐法则
【LDA】【Word2Vector】【HMM \ CRF】三者都是对自然语言文本的处理算法
【深度学习】图像识别
- 0赞 · 0采集
-
- 灿若星辰7587352 2019-08-18
课程小结：
Q：什么是机器学习？
A：计算机在历史数据中去寻找规律，然后在未来不确定中做决策。
Q：机器学习的典型行业案例？
A：1【关联规则】-购物篮分析 ；
2 【聚类】-用户细分精准营销；
3【朴素贝叶斯和决策树】-垃圾邮箱、行用卡诈骗（银行信用贷款风险识别）；
4【ctr预估和协同过滤】ctr预估-互联网广告的点击预估、协同过滤-类似购物篮分析；
5【自然语言处理和图像识别】情感识别、实体识别、图像深度学习；
6【更多应用】
Q：机器学习和传统数据分析的区别？
A：机器学习（行为数据—海量数据—全量分析—预测未来发生的事—数据挖掘：数据驱动自我进行知识发现—用户目标：个体如个性推荐）
数据分析（交易数据—少量数据—采样分析—报告过去的事情—OLAP-数据分析：用户驱动—用户目标：公司高层决策）
Q：机器学习的经典算法
A：1有监督学习、无监督学习、半监督学习
2 分类回归、聚类、标注
3 生成模型和判别模型（训练模型思维上不一样）
生成模型：不会告诉你数据属于哪一类，只会告诉你数据属于各个类别的概率，结果模棱两可，就像陪审团
判别模型：直接高数你属于哪一类，结果非1即2，就像法官说你有罪/无罪
【FP-Ggrowth】
【罗辑回归】百度、谷歌的搜索推荐排序
【RF、GBDT】对决策树算法的改进
【推荐算法】各大电商的标配，关联推荐法则
【LDA】【Word2Vector】【HMM \ CRF】三者都是对自然语言文本的处理算法
【深度学习】图像识别
- 0赞 · 0采集
-
- 灿若星辰7587352 2019-08-18
课程小结：
Q：什么是机器学习？
A：计算机在历史数据中去寻找规律，然后在未来不确定中做决策。
Q：机器学习的典型行业案例？
A：1【关联规则】-购物篮分析 ；
2 【聚类】-用户细分精准营销；
3【朴素贝叶斯和决策树】-垃圾邮箱、行用卡诈骗（银行信用贷款风险识别）；
4【ctr预估和协同过滤】ctr预估-互联网广告的点击预估、协同过滤-类似购物篮分析；
5【自然语言处理和图像识别】情感识别、实体识别、图像深度学习；
6【更多应用】
Q：机器学习和传统数据分析的区别？
A：机器学习（行为数据—海量数据—全量分析—预测未来发生的事—数据挖掘：数据驱动自我进行知识发现—用户目标：个体如个性推荐）
数据分析（交易数据—少量数据—采样分析—报告过去的事情—OLAP-数据分析：用户驱动—用户目标：公司高层决策）
Q：机器学习的经典算法
A：1有监督学习、无监督学习、半监督学习
2 分类回归、聚类、标注
3 生成模型和判别模型（训练模型思维上不一样）
生成模型：不会告诉你数据属于哪一类，只会告诉你数据属于各个类别的概率，结果模棱两可，就像陪审团
判别模型：直接高数你属于哪一类，结果非1即2，就像法官说你有罪/无罪
【FP-Ggrowth】
【罗辑回归】百度、谷歌的搜索推荐排序
【RF、GBDT】对决策树算法的改进
【推荐算法】各大电商的标配，关联推荐法则
【LDA】【Word2Vector】【HMM \ CRF】三者都是对自然语言文本的处理算法
【深度学习】图像识别
- 0赞 · 0采集
-
- 灿若星辰7587352 2019-08-18
课程小结：
Q：什么是机器学习？
A：计算机在历史数据中去寻找规律，然后在未来不确定中做决策。
Q：机器学习的典型行业案例？
A：1【关联规则】-购物篮分析 ；2 【聚类】-用户细分精准营销；3【朴素贝叶斯和决策树】-垃圾邮箱、行用卡诈骗（银行信用贷款风险识别）；4【ctr预估和协同过滤】ctr预估-互联网广告的点击预估、协同过滤-类似购物篮分析；5【自然语言处理和图像识别】情感识别、实体识别、图像深度学习；6更多应用
Q：机器学习和传统数据分析的区别？
A：机器学习（行为数据—海量数据—全量分析—预测未来发生的事—数据挖掘：数据驱动自我进行知识发现—用户目标：个体如个性推荐）
数据分析（交易数据—少量数据—采样分析—报告过去的事情—OLAP-数据分析：用户驱动—用户目标：公司高层决策）
Q：机器学习的经典算法
A：1有监督学习、无监督学习、半监督学习
2 分类回归、聚类、标注
3 生成模型和判别模型（训练模型思维上不一样）
生成模型：不会告诉你数据属于哪一类，只会告诉你数据属于各个类别的概率，结果模棱两可，就像陪审团
判别模型：直接高数你属于哪一类，结果非1即2，就像法官说你有罪/无罪
【FP-Ggrowth】
【罗辑回归】百度、谷歌的搜索推荐排序
【RF、GBDT】对决策树算法的改进
【推荐算法】各大电商的标配，关联推荐法则
【LDA】【Word2Vector】【HMM \ CRF】三者都是对自然语言文本的处理算法
【深度学习】图像识别
- 0赞 · 0采集
-
- 灿若星辰7587352 2019-08-18
课程小结：
Q：什么是机器学习？
A：计算机在历史数据中去寻找规律，然后在未来不确定中做决策。
Q：机器学习的典型行业案例？
A：1【关联规则】-购物篮分析 ；2 【聚类】-用户细分精准营销；3【朴素贝叶斯和决策树】-垃圾邮箱、行用卡诈骗（银行信用贷款风险识别）；4【ctr预估和协同过滤】ctr预估-互联网广告的点击预估、协同过滤-类似购物篮分析；5【自然语言处理和图像识别】情感识别、实体识别、图像深度学习；6更多应用
Q：机器学习和传统数据分析的区别？
A：机器学习（行为数据—海量数据—全量分析—预测未来发生的事—数据挖掘：数据驱动自我进行知识发现—用户目标：个体如个性推荐）
数据分析（交易数据—少量数据—采样分析—报告过去的事情—OLAP-数据分析：用户驱动—用户目标：公司高层决策）
Q：机器学习的经典算法
A：1有监督学习、无监督学习、半监督学习
2 分类回归、聚类、标注
3 生成模型和判别模型（训练模型思维上不一样）
生成模型：不会告诉你数据属于哪一类，只会告诉你数据属于各个类别的概率，结果模棱两可，就像陪审团
判别模型：直接高数你属于哪一类，结果非1即2，就像法官说你有罪/无罪
【FP-Ggrowth】
【罗辑回归】百度、谷歌的搜索推荐排序
【RF、GBDT】对决策树算法的改进
【推荐算法】各大电商的标配，关联推荐法则
【LDA】【Word2Vector】【HMM \ CRF】三者都是对自然语言文本的处理算法
【深度学习】图像识别
- 0赞 · 0采集
-
- 灿若星辰7587352 2019-08-18
课程小结：
Q：什么是机器学习？
A：计算机在历史数据中去寻找规律，然后在未来不确定中做决策。
Q：机器学习的典型行业案例？
A：1【关联规则】-购物篮分析 ；2 【聚类】-用户细分精准营销；3【朴素贝叶斯和决策树】-垃圾邮箱、行用卡诈骗（银行信用贷款风险识别）；4【ctr预估和协同过滤】ctr预估-互联网广告的点击预估、协同过滤-类似购物篮分析；5【自然语言处理和图像识别】情感识别、实体识别、图像深度学习；6更多应用
Q：机器学习和传统数据分析的区别？
A：机器学习（行为数据—海量数据—全量分析—预测未来发生的事—数据挖掘：数据驱动自我进行知识发现—用户目标：个体如个性推荐）
数据分析（交易数据—少量数据—采样分析—报告过去的事情—OLAP-数据分析：用户驱动—用户目标：公司高层决策）
Q：机器学习的经典算法
A：1有监督学习、无监督学习、半监督学习
2 分类回归、聚类、标注
3 生成模型和判别模型（训练模型思维上不一样）
生成模型：不会告诉你数据属于哪一类，只会告诉你数据属于各个类别的概率，结果模棱两可，就像陪审团
判别模型：直接高数你属于哪一类，结果非1即2，就像法官说你有罪/无罪
【FP-Ggrowth】
【罗辑回归】百度、谷歌的搜索推荐排序
【RF、GBDT】对决策树算法的改进
【推荐算法】各大电商的标配，关联推荐法则
【LDA】【Word2Vector】【HMM \ CRF】三者都是对自然语言文本的处理算法
【深度学习】图像识别
- 0赞 · 0采集
-
- 地铁跳水 2019-08-01
- 6.2机器学习解决问题的框架二
-
截图0赞 · 0采集
-
- qq_黄蓉_0 2019-06-13
机器学习解决问题的框架：
寻找近似解
- 0赞 · 0采集
-
- 曹文 2019-06-08
- 模型，定义模型就是求一个公式，比如y=ax+b
-
截图0赞 · 0采集
-
- 孤雁西风 2019-05-11
训练模型！
-
截图0赞 · 0采集
-
- 孤雁西风 2019-05-11
机器学习flow
-
截图0赞 · 1采集
-
- 楠shen 2019-04-25
机器学习解决问题的框架：
二、训练模型
STEP1：定义模型（形成目标公式）
STEP2：定义损失函数（数学的方式定义预测值与现实值的差异）
STEP3：优化算法（寻找确定损失函数极小值）
三、模型评估（标准）
STEP1：交叉验证
STEP2：效果评估
- 0赞 · 2采集
-
- 慕运维4169585 2019-03-20
训练模型：
-
截图0赞 · 0采集
-
- 慕尼黑9823340 2019-03-02
*定义损失函数
*优化算法
- 0赞 · 0采集
-
- 慕设计8338630 2019-01-30
机器学习解决问题的框架：
二、训练模型
STEP1：定义模型（形成目标公式）
STEP2：定义损失函数（数学的方式定义预测值与现实值的差异）
STEP3：优化算法（寻找确定损失函数极小值）
三、模型评估（标准）
STEP1：交叉验证
STEP2：效果评估
- 0赞 · 0采集
-
- 滕玉龙 2018-12-10
机器学习解决问题的框架2：
训练模型
（1）定义模型：确定模型，训练出模型的参数
（2）定义损失函数（定义偏差的大小）：评价真实结果与模型的预测结果的相似程度和差异度。 机器学习解决的问题，有时不能得到精确解只能寻找近似解。 偏差最小的函数，针对很大的数据集，就是损失函数。 让损失函数求最小，就是优化算法。对于线性回归模型，计算预测结果与实际结果的差值；对于分类模型，则需要定义自己的损失函数
（3）优化算法：对算法进行优化，使损失函数取极小值，如梯度下降法......
- 0赞 · 0采集
-
- 滕玉龙 2018-12-10
监督式学习:分类，回归 非监督式学习:聚类 标注 逻辑回归与朴素贝叶斯本质区别:生成模型与判别模型的区别 生成模型->估计的是联合概率分布 判别模型->估计的是条件概率分布 监督式学习:分类，回归 分类 C4.5 聚类 K-Means 统计学习SVM 关联分析fp-growth RF 深度学习 业务需求->数据->特征工程 定义模型->定义损失函数->优化算法->交叉验证
- 0赞 · 0采集
-
- 慕婉清5038615 2018-11-26
机器学习解决问题框架
模型评估
交叉验证
效果评估
其中训练模型中的损失函数定义和优化算法是最为困难的。
-
截图0赞 · 0采集
-
- 慕婉清5038615 2018-11-26
机器学习解决问题框架
训练模型
定义模型
定义损失函数
优化算法
-
截图0赞 · 0采集
-
- 慕婉清5038615 2018-11-26
机器学习解决问题框架三步走：
1确定目标
业务需求
数据
特征工程
-
截图0赞 · 0采集
