登录免费注册

首页  思维导图  详情



 



机器学习

机器学习

2018-11-13 15:32:49   54  举报





AI智能生成

机器学习

机器学习

spark

机器学习算法

模板推荐

作者其他创作

大纲/内容

问题建模

评估指标

分类指标

精确率和召回率

ROC和AUC

对数损失Logistic Loss

回归指标

平均绝对误差

平均绝对百分误差

均方根误差

排序指标

平均准确率均值

NDCG归一化贴现累计收益

样本选择

数据去噪

采样

无放回简单随机抽样

有放回简单抽样

平衡采样

整群采样

分层采样

原型选择和训练集选择

增量法

递减法

批量法

混合法

固定法

包装器

过滤器

Condensation

Edition

Hybrid

交叉验证

留出法

K折交叉验证

自助法

特征工程

特征抽取

探索性数据分析

数值特征

截断

二值化

分桶

缩放

缺失值处理

特征交叉

非线性编码

行统计量

类别特征

自然数编码

独热编码

分层编码

散列编码

计数编码

计数排名编码

目标编码

类别特征之间交叉组合

类别特征和数值特征之间交叉组合

时间特征

转换成类别特征

空间特征

转换成类别特征

转换成距离的数值特征

文本特征

语料构建

文本清洗

分词

词性标注

词形还原和词干提取

文本统计特征

N-Gram模型

Skip_Gram模型

词挤模型

词袋模型

TF-IDF

余弦相似度

Jaccard相似度

Levenshtein编辑距离

隐形语义分析

Word2Vec

特征选择<br>

<ul><li>简化模型，是模型更易于研究人员和用户理解<br></li><li>改善性能<br></li><li>改善通用性、降低过拟合风险<br></li></ul>

过滤方法

覆盖率

皮尔逊相关系数

Fisher得分

假设检验

互信息

最小冗余最大相关性

相关特征选择

封装方法

完全搜索

启发式搜索

随机搜索

嵌入方法

LASSo

树模型

模型选择

逻辑回归

场感知因子分解机

梯度提升树

XGBoost

LightGBM

模型融合

理论分析

融合收益

模型误差-分歧分解

模型多样性度量

多样性增强

数据样本扰动

输入属性扰动

输出表示扰动

算法参数扰动

融合方法

平均法

投票法

分类标记

分类标记

分类概率

绝对多数投票法

相对多数投票法

加权投票法

软投票法

Bagging

Stacking

 Collect

Get Started

机器学习平台

AI、机器学习、深度学习、大模型的关系图

 Collect

Get Started

AI、机器学习、深度学习、大模型的关系图

 Collect

Get Started

机器学习

 Collect

Get Started

机器学习













评论

0 条评论

下一页



图形选择

思维导图

主题

补充说明

AI生成





修改AI描述

去编辑

重新生成

提示 

关闭后当前内容将不会保存，是否继续？

取消

确定

Document