Публикации по теме 'classification'
Изучение алгоритмов классификации
Логистическая регрессия, деревья решений и случайные леса.
Классификация в машинном обучении — это метод контролируемого обучения, используемый для определения категориальных переменных. Проще говоря, классификацию можно рассматривать как форму распознавания образов . Вывод модели классификации может быть двоичным (только 2 класса, т. е. 1 или 0) или может иметь несколько классов и меток.
Как вы понимаете, классификация имеет широкий спектр применений; Он используется для..
Плюсы и минусы популярных алгоритмов контролируемого обучения
Все мы использовали один из следующих алгоритмов контролируемого обучения для прогнозного анализа:
Логистическая регрессия Хребтовая регрессия Регрессия ЛАССО Линейный дискриминантный анализ (LDA) K Ближайшие соседи (KNN) Наивный байесовский (NB) Машина опорных векторов (SVM) Древо решений Случайный лес (РФ) Повышение градиента
Но задумывались ли вы об их плюсах или минусах? Здесь я перечислил несколько:
1. Логистическая регрессия:
Плюсы:
а) Используется,..
Введение в классификации в Watson Natural Language Understanding
Обработка естественного языка быстро становится одним из наиболее часто используемых инструментов искусственного интеллекта в различных отраслях. В области обработки естественного языка (NLP) существует большое количество разнообразных задач, которые обслуживают множество вариантов использования. Разделение текста на группы - одна из самых популярных задач НЛП.
Классификация - это задача анализа входящего текста и присвоения этому тексту предопределенных меток. Этикетки могут быть..
Наивный байесовский классификатор 2/2
2/2 содержит кодовую часть наивного байесовского классификатора.
Давайте подведем итог тому, что мы узнали из Наивного байесовского классификатора 1/2 .
Наивный байесовский метод — это метод машинного обучения, который вы можете использовать для прогнозирования вероятности того, что событие произойдет, учитывая свидетельства в ваших данных.
Три типа наивных байесовских моделей
Полиномиальный — хорошо подходит, когда ваши функции (категориальные или непрерывные) описывают..
Инста-фейк? Обнаружение поддельных аккаунтов в Instagram с помощью машинного обучения
Введение
Instagram, безусловно, является одной из самых популярных социальных сетей в мире. По данным Datareportal , к январю 2023 года его пользовательская база насчитывала 1,318 млрд человек по всему миру. Это означает, что около 21% всех людей старше 13 лет находятся на платформе.
С такой широкой аудиторией Instagram стал больше, чем просто платформа для обмена фотографиями. Люди используют его для маркетинга, для обмена своими политическими взглядами, в образовательных целях и для..
Несбалансированная классификация при обнаружении мошенничества
Введение
Работа с несбалансированным набором данных может быть проблемой для некоторых классических подходов к машинному обучению, однако бывают ситуации, когда естественное распределение данных между классами неравномерно. Это типично для проблем обнаружения мошенничества . Работая с следующим набором данных от Kaggle , мы видим, что существует много законных транзакций и только 0,17% от общего числа данных являются мошенничеством . В задачах классификации, где существует..
Деревья решений для классификации — Полный пример
Подробный пример построения дерева решений для классификации
В этой статье объясняется, как мы можем использовать деревья решений для задач классификации. После объяснения важных терминов мы разработаем дерево решений для простого примера набора данных.
Введение
Дерево решений — это инструмент поддержки принятия решений, который использует древовидную модель решений и их возможных последствий, включая исходы случайных событий, затраты ресурсов и полезность. Это один из способов..
Новые материалы
Объяснение документов 02: BERT
BERT представил двухступенчатую структуру обучения: предварительное обучение и тонкая настройка.
Во время предварительного обучения модель обучается на неразмеченных данных с помощью..
Как проанализировать работу вашего классификатора?
Не всегда просто знать, какие показатели использовать
С развитием глубокого обучения все больше и больше людей учатся обучать свой первый классификатор. Но как только вы закончите..
Работа с цепями Маркова, часть 4 (Машинное обучение)
Нелинейные цепи Маркова с агрегатором и их приложения (arXiv)
Автор : Бар Лайт
Аннотация: Изучаются свойства подкласса случайных процессов, называемых дискретными нелинейными цепями Маркова..
Crazy Laravel Livewire упростил мне создание электронной коммерции (панель администратора и API) [Часть 3]
Как вы сегодня, ребята?
В этой части мы создадим CRUD для данных о продукте. Думаю, в этой части я не буду слишком много делиться теорией, но чаще буду делиться своим кодом. Потому что..
Использование машинного обучения и Python для классификации 1000 сезонов новичков MLB Hitter
Чему может научиться машина, глядя на сезоны новичков 1000 игроков MLB? Это то, что исследует это приложение.
В этом процессе мы будем использовать неконтролируемое обучение, чтобы..
Учебные заметки: создание моего первого пакета Node.js
Это мои обучающие заметки, когда я научился создавать свой самый первый пакет Node.js, распространяемый через npm.
Оглавление
Глоссарий
I. Новый пакет
1.1 советы по инициализации..
Забудьте о Matplotlib: улучшите визуализацию данных с помощью умопомрачительных функций Seaborn!
Примечание. Эта запись в блоге предполагает базовое знакомство с Python и концепциями анализа данных.
Привет, энтузиасты данных! Добро пожаловать в мой блог, где я расскажу о невероятных..