Справка
x
Поиск
Закладки
Озвучить книгу
Изменить режим чтения
Изменить размер шрифта
Оглавление
Для озвучивания и цитирования книги перейдите в режим постраничного просмотра.
Python и машинное обучение
Глава 3. Обзор классификаторов с использованием библиотеки scikit-learn
Поставить закладку
Выбор алгоритма классификации
Если Вы наш подписчик,то для того чтобы скопировать текст этой страницы в свой конспект,
используйте
просмотр в виде pdf
. Вам доступно 7 стр. из этой главы.
Для продолжения работы требуется
Регистрация
Предыдущая страница
Следующая страница
Оглавление
Предисловие
Об авторе
О рецензентах
Введение
Глава 1. Наделение компьютеров способностью обучаться на данных
+
Глава 2. Тренировка алгоритмов машинного обучения для задачи классификации
+
Глава 3. Обзор классификаторов с использованием библиотеки scikit-learn
-
Выбор алгоритма классификации
Первые шаги в работе с scikit-learn
Тренировка перcептрона в scikit-learn
Моделирование вероятностей классов логистической регрессии
Интуитивное понимание логистической регрессии и условные вероятности
Извлечение весов логистической функции стоимости
Тренировка логистической регрессионной модели в scikit-learn
Решение проблемы переподгонки при помощи регуляризации
Классификация с максимальной маржой на основе машин опорных векторов
Интуитивное понимание максимальной маржи
Обработка нелинейно разделимого случая при помощи ослабленных переменных
Альтернативные реализации в scikit-learn
Решение нелинейных задач ядерным методом SVM
Использование ядерного трюка для нахождения разделяющих гиперплоскостей в пространстве более высокой размерности
Обучение на основе деревьев решений
Максимизация прироста информации - получение наибольшей отдачи
Построение дерева решений
Объединение слабых учеников для создания сильного при помощи случайных лесов
k ближайших соседей - алгоритм ленивого обучения
Резюме
Глава 4. Создание хороших тренировочных наборов - предобработка данных
+
Глава 5. Сжатие данных путем снижения размерности
+
Глава 6. Изучение наиболее успешных методов оценки моделей и тонкой настройки гиперпараметров
+
Глава 7. Объединение моделей для методов ансамблевого обучения
+
Глава 8. Применение алгоритмов машинного обучения в анализе мнений
+
Глава 9. Встраивание алгоритма машинного обучения в веб-приложение
+
Глава 10. Прогнозирование непрерывных целевых величин на основе регрессионного анализа
+
Глава 11. Работа с немаркированными данными - кластерный анализ
+
Глава 12. Тренировка искусственных нейронных сетей для распознавания изображений
+
Глава 13. Распараллеливание тренировки нейронных сетей при помощи Theano
+
Приложение А
+
Глоссарий основных терминов и сокращений
+
Предметный указатель
Данный блок поддерживает скрол*