热线电话：13121318867

登录
热搜话题:
ai长文生成
Scikit-learn
Python
大数据
数据分析师
统计学
微积分
线性代数
Excel
Power BI
R语言
SPSS
Mysql
快速发帖
我要提问
最新
热门
关注
推荐
问答
dreamhappy2012
典型的数据聚类基本步骤？
问、典型的数据聚类基本步骤？答：• 对数据进行表示和预处理，包括数据清洗、特征选择或特征抽取；• 给定数据之间的相似度或相异度及其定义方法；• 根据相似度，对数据进行划分，即聚类；• 对聚类结果进行评估。
7.7906
2
0
关注作者
收藏
dreamhappy2012
聚类的意义是什么？
问、聚类的意义是什么？答：• 首先将大规模的、纷繁复杂的数据归档为不同的类别• 进而针对每一类数据，制定不同的管理、分析方式，因为每一类的数据都是显著不同的
0.0000
1
0
关注作者
收藏
dreamhappy2012
AdaBoost有哪些特点？
问、AdaBoost有哪些特点？答：✓ 简单，不用做特征筛选✓ 在大多数数据集中，boosting的准确性比bagging高(boosting可以把学错的再学习)✓ AdaBoost方法在邮件过滤、文本分类方面都有很好的性能✓ Adaboost对于噪音数据和异常数据是敏感,在每次迭代时候会给噪声点较大的权重✓ Adaboost是一种“串行”算法，运行速度较慢
0.0000
3
0
关注作者
收藏
dreamhappy2012
简述AdaBoost运行过程？
问、简述AdaBoost运行过程？答：1) 计算样本权重：训练数据中的每个样本，赋予其权重，即样本权重，用向量D表示，这些权重都初始化成相等值。假设有n个样本的训练集，设定每个样本的权重都是相等的，即1/n 2) 计算错误率：利用第一个弱学习算法h1对其进行学习，学习完成后进行错误率ε的统计 3) 计算弱学习算法权重：弱学习算法也有一个权重，用向量α表示，利用错误率计算权重α：
0.0000
2
0
关注作者
收藏
dreamhappy2012
什么是AdaBoost？
问、什么是AdaBoost？答：✓ AdaBoost算法是基于Boosting思想的机器学习算法，AdaBoost是adaptive boosting（自适应boosting）的缩写✓ 自适应：每次用全部的样本，前一个基本分类器被错误分类样本的权值会增大，而正确分类的权值减小，用来训练下一个基本分类器。同时，在每轮迭代中加入一个新的弱分类器，直到达到某预定足够小错误率或达到预先指定的最大迭代
0.0000
3
0
关注作者
收藏
dreamhappy2012
集成学习之结合策略的学习法包括哪些？
问、集成学习之结合策略的学习法包括哪些？答：✓ 代表方法是stacking，当使用stacking的结合策略时，我们不是对弱学习器的结果做简单的逻辑处理，而是再加上一层学习器，也就是说，我们将训练集弱学习器的学习结果作为输入，将训练集的输出作为输出，重新训练一个学习器来得到最终结果✓ 弱学习器称为初级学习器，将用于结合的学习器称为次级学习器。对于测试集，我们首先用初级学习器预测一次，得到次级
0.0000
2
0
关注作者
收藏
dreamhappy2012
集成学习之结合策略的学习法指什么？
问、集成学习之结合策略的学习法指什么？答：✓ 代表方法是stacking，当使用stacking的结合策略时，我们不是对弱学习器的结果做简单的逻辑处理，而是再加上一层学习器，也就是说，我们将训练集弱学习器的学习结果作为输入，将训练集的输出作为输出，重新训练一个学习器来得到最终结果✓ 弱学习器称为初级学习器，将用于结合的学习器称为次级学习器。对于测试集，我们首先用初级学习器预测一次，得到次级学
0.0000
2
0
关注作者
收藏
dreamhappy2012
集成学习之结合策略的投票法包括哪些?
问、集成学习之结合策略的投票法包括哪些?答：✓ 分类问题的预测，我们通常使用的是投票法。假设我们的预测类别是{c1,c2,...cK},对于任意一个预测样本x，我们的T个弱学习器的预测结果分别是(h1(x),h2(x)...hT(x))✓ 相对多数投票法：少数服从多数✓ 绝对多数投票法：票要过半数✓ 加权投票法：每个弱学习器的分类票数要乘以一个权重。
27.9725
3
0
关注作者
收藏
dreamhappy2012
集成学习的结合策略有哪些方法？
问、集成学习的结合策略有哪些方法？答：✓ 平均法 ✓ 投票法 ✓ 学习法
0.0000
4
0
关注作者
收藏
dreamhappy2012
随机森林的生成过程？
问、随机森林的生成过程？答：✓ 从样本集中通过自助采样（随机且有放回地）的方式产生n个样本✓ 假设样本特征数目为d（属性），对n个样本随机选择d中的k个特征（k
0.0000
3
0
关注作者
收藏
dreamhappy2012
随机森林有哪些特点？
问、随机森林有哪些特点？答：✓ 具有极好的准确率,不容易过拟合（训练样本不是全部样本）✓ 能够有效地运行在大数据集上✓ 能够处理具有高维特征的输入样本，而且不需要降维，能够评估各个特征在分类问题上的重要性✓ 在生成过程中，能够获取到内部生成误差的一种无偏估计✓ 对于缺省值问题也能够获得很好的结果✓ 分类不平衡的情况时，随机森林能够提供平衡数据集误差的有效方法
27.9725
3
0
关注作者
收藏
dreamhappy2012
集成学习之bagging的介绍
问、集成学习之bagging的介绍✓ Bagging的算法原理和boosting不同，它的弱学习器之间没有依赖关系，可以并行生成，典型算法：Random Forest
0.0000
0
0
关注作者
收藏
dreamhappy2012
集成学习之boosting介绍
问、集成学习之boosting介绍答：✓ 应用最广泛：采用决策树模型或神经网络，典型算法：AdaBoost
0.0000
3
0
关注作者
收藏
dreamhappy2012
什么是同质个体学习器？
问、什么是同质个体学习器？答：应用最广泛，采用决策树模型或神经网络✓ 同质个体学习器按照个体学习器之间是否存在依赖关系可以分为两类✓ 第一个是个体学习器之间存在强依赖关系，一系列个体学习器基本都需要串行生成，代表算法是boosting系列算法✓ 第二个是个体学习器之间不存在强依赖关系，一系列个体学习器可以并行生成，代表算法是bagging和随机森林（Random Forest）
0.0000
3
0
关注作者
收藏
dreamhappy2012
个体学习器有哪两种方法？
问、个体学习器有哪两种方法？答：✓ 所有的个体学习器都是一个种类的，或者说是同质的。比如都是决策树个体学习器，或者都是神经网络个体学习器✓ 所有的个体学习器不全是一个种类的，或者说是异质的。比如我们有一个分类问题，对训练集采用支持向量机个体学习器，逻辑回归个体学习器和朴素贝叶斯个体学习器来学习，再通过某种结合策略来确定最终的分类强学习器
27.9725
4
0
关注作者
收藏
dreamhappy2012
什么是集成学习？
问、什么是集成学习？答：✓ 集成学习(ensemble learning)本身不是一个单独的机器学习算法，而是通过构建并结合多个机器学习器来完成学习任务✓ 集成学习可以用于分类问题集成，回归问题集成，特征选取集成，异常点检测集成等✓ 通过训练若干个个体学习器，通过一定的结合策略，就可以最终形成一个强学习器
0.0000
4
0
关注作者
收藏
kejiayuan0806
R语言与Tableau集成之可视化应用
Tableau是一款非常棒的数据可视化商业软件，通过拖拉拽的方式迅速的实现数据可视化。而且该软件可以连接任何一种数据库，在处理大型数据时一点都不逊色。缺点是其无法从事数据分析和挖掘工作，幸运的是，从Tableau的8.0开始，Tableau与R语言打通，可以在Tableau中运行R脚本，从而将R语言的分析或挖掘结果在Tableau中展示。如何实现Tableau和R语言的联手绘制可视化图表呢？
0.1254
3
0
关注作者
收藏
dreamhappy2012
C4.5算法在哪些方面对ID3算法进行了改进？
问、C4.5算法继承了ID3算法的优点，在哪些方面对ID3算法进行了改进？答：1) 用信息增益率来选择属性，克服了用信息增益选择属性时偏向选择取值多的属性的不足;2) 在树构造过程中进行剪枝;3) 能够完成对连续属性的离散化处理;4) 能够对不完整数据进行处理。
33.8224
0
0
关注作者
收藏
dreamhappy2012
决策树算法有哪些缺点？
问、决策树算法有哪些缺点？答：1)对连续性的字段比较难预测。2)对有时间顺序的数据，需要很多预处理的工作。3)当类别太多时，错误可能就会增加的比较快。4)一般的算法分类的时候，只是根据一个字段来分类。[2]
8.0955
2
0
关注作者
收藏
dreamhappy2012
决策树算法有什么优点？
问、决策树算法有什么优点？答：决策树易于理解和实现，人们在在学习过程中不需要使用者了解很多的背景知识，这同时是它的能够直接体现数据的特点，只要通过解释后都有能力去理解决策树所表达的意义。对于决策树，数据的准备往往是简单或者是不必要的，而且能够同时处理数据型和常规型属性，在相对短的时间内能够对大型数据源做出可行且效果良好的结果。易于通过静态测试来对模型进行评测，可以测定模型可信度;如果给定一
0.0000
3
0
关注作者
收藏
<1…345…17>
CDA考试动态
考试介绍
考试大纲
考试内容
考试地点
CDA报考指南
报考流程
考试时间
报名费用
联系我们
热门栏目
考试动态
报考指南
复习备考
职业发展
直播公开课
经验分享
Copyright © 2015-2020, www.pinggu.com All Rights Reserved. CDA数据分析师(北京国富如荷网络科技有限公司) 版权所有 京ICP备18052299号-1