Lecture 2: Supervised machine learning
這周主要講監督學習 首先介紹了下監督學習的概念以及過擬合和欠擬合，這些就不再贅述了。 K鄰近法對數據的結構沒有做假設，雖然預測較爲正確，但是通常不穩定。 線性擬合對數據的結構做了些假設，結果較爲穩定，但可能不太精確。 如果有大量的特徵，尤其是很多特徵值爲0的情況下，最好不要用K鄰近法。 SVM支持向量機，SVM可以用於classification和regression。 具體可以參考《統計機器學習
相關文章
- 1. Machine Learning——Lecture 6
- 2. Machine Learning Algorithms Study Notes(2)--Supervised Learning
- 3. ML Lecture 0-1: Introduction of Machine Learning
- 4. Andrew Ng 's machine learning lecture note (15)
- 5. ML Lecture 0：Introduction of Machine Learning / Why we need to learn machine learning?
- 6. Andrew Ng 's machine learning lecture note (14)
- 7. Machine learning(2): Quiz2
- 8. 李宏毅ML lecture-12 Semi-supervised Learning
- 9. 李宏毅 lecture-12 Semi-supervised Learning
- 10. 【Machine Learning】Machine Learning 綜述
- 更多相關文章...
- • Docker Machine - Docker教程
- • Thymeleaf擴展2(Say Hello) - Thymeleaf 教程
- • Java Agent入門實戰（一）-Instrumentation介紹與使用
- • Java Agent入門實戰（三）-JVM Attach原理與使用
相關標籤/搜索
每日一句
-
每一个你不满意的现在，都有一个你没有努力的曾经。
歡迎關注本站公眾號,獲取更多信息
相關文章
- 1. Machine Learning——Lecture 6
- 2. Machine Learning Algorithms Study Notes(2)--Supervised Learning
- 3. ML Lecture 0-1: Introduction of Machine Learning
- 4. Andrew Ng 's machine learning lecture note (15)
- 5. ML Lecture 0：Introduction of Machine Learning / Why we need to learn machine learning?
- 6. Andrew Ng 's machine learning lecture note (14)
- 7. Machine learning(2): Quiz2
- 8. 李宏毅ML lecture-12 Semi-supervised Learning
- 9. 李宏毅 lecture-12 Semi-supervised Learning
- 10. 【Machine Learning】Machine Learning 綜述