导图社区 机器学习基础
主要是机器学习的一些基础概念知识。机器学习基础包括机器学习系统的种类、机器学习的主要挑战、测试与验证等。
商务与经济统计知识点,包括:血液的组成、血液的理化特性(生理学)、生理性止血(生理学)、血型与输血原则(生理学)。
营销管理与营销分析量化指标体系,包括客户内心、意愿和市场的占有份额,毛利和利润、产品和组合管理、客户利润等。
数据化管理是指运用分析工具对客观、真实的数据进行科学分析,并将分析结果运用到生产、运营、销售等各个环节中区的一种管理方法,根据管理层次可分为业务指导管理、运营分析管理、经营策略管理、战略规划管理四个由低到高的层次。根据业务逻辑还可以分为销售中的数据化管理、商品中的数据化管理、财务中的数据化管理、人事中的数据化管理、生产中的数据化管理、物流中的数据化管理等。
社区模板帮助中心,点此进入>>
互联网9大思维
安全教育的重要性
组织架构-单商户商城webAPP 思维导图。
个人日常活动安排思维导图
域控上线
西游记主要人物性格分析
17种头脑风暴法
python思维导图
css
CSS
机器学习基础
机器学习系统的种类
监督式/无监督式学习
监督式学习
K-近邻算法(k- Nearest Neighbors
线性回归( Linear Regression)
逻辑回归( Logistic Regression)
支持向量机( Support Vector Machines,SVM
决策树和随机森林( Decision Trees and Random Forests)
神经网络( Neural networks)
无监督式学习
聚类算法
k-平均算法(k- Means)
分层聚类分析( Hierarchical Cluster Analysis,HCA
最大期望算法( Expectation Maximization)
可视化和降维
主成分分析(PCA)
核主成分分析( Kernel PCA)
局部线性嵌入(LE)
t-分布随机近临嵌入(t-SNE)
关联规则学习
Apriori
Eclat
半监督式学习
强化学习
批量学习和在线学习
批量学习
在线学习
基于实例与基于模型的学习
基于实例的学习
基于模型的学习
机器学习的主要挑战
训练数据的数量不足
训练数据不具代表性
质量差的数据
无关特征
训练数据过度拟
当模型相对于训练数据的数量和噪度都过于复杂时,会发生过度拟合。可能的解决方案如下。 简化模型:可以选择较少参数的模型(例如,选择线性模型而不是高阶多项式模型),可以减少训练数据中的属性数量,又或者是约束模型。 收集更多的训练数据。 减少训练数据中的噪声(例如,修复数据错误和消除异常值)。
超参数
训练数据拟合不足
解决这个问题的主要方式有: 选择一个带有更多参数、更强大的模型给学习算法提供更好的特征集(特征工程) 减少模型中的约束(比如,减少正则化超参数)
测试与验证
训练集
测试集
验证集
交又验证