机器学习-数据科学专业问答社区-CDA答疑社区

热线电话：13121318867

登录

读童话的狼

matplotlib画热图时显示不全怎么处理？

这是一个bug,在最新的版本已经修复了，只需要利用下面的命令升级matplotlib就可以了!pip install --user --upgrade matplotlib

20.5470

1

6

0

关注作者

收藏

读童话的狼

gbdt是怎么填充的缺失值？

在决策树学习的初始阶段，根节点各样本的初始权重都为１若样本x在划分属性a上的取值未知，则将x划入所有子节点，同时调整该样本x的权重值为rv*wx，其中rv为无缺失值样本在属性a上取值为av的样本所占的比例，计算错误率的时候，需要考虑到样本权重训练完成，给测试集样本分类，有缺失值怎么办？如果有单独的缺失分支，使用此分支。把待分类的样本的属性a值分配一个最常出现的a的属性值，然后进行分支预测。

0.0000

0

2

0

关注作者

收藏

读童话的狼

有两个特征时，如何合并回归树？

举个例子来讲：假设有两个特征x1和x2,x1:1,2,3,4x2:10,20,30,40y:1.2,3.1,4.3,5.5比如确定了x1分割点为x1=2.5那么回归树T1=2.15 x12.5其中：2.15=(1.2 3.1)/24.9=(4.3 5.5)/2得到残差(y-T1)为m:-0.95,0.95,-0.6,0.6然后利用x2建立第二颗数

0.0000

0

1

0

关注作者

收藏

田齐齐

机器学习：支持向量机如何处理多分类问题

SVM本身是一个二值分类器，SVM算法最初是为二值分类问题设计的，当处理多类问题时，就需要构造合适的多类分类器。目前，构造SVM多类分类器的方法主要有两类：（1）直接法，直接在目标函数上进行修改，将多个分类面的参数求解合并到一个最优化问题中，通过求解该最优化问题“一次性”实现多类分类。这种方法看似简单，但其计算复杂度比较高，实现起来比较困难，只适合用于小型问题中；（2）间接法，主要是通过组

24.7308

5

5

0

关注作者

收藏

读童话的狼

标准化和归一化啥区别？

1归一化特点对不同特征维度的伸缩变换的目的是使各个特征维度对目标函数的影响权重是一致的，即使得那些扁平分布的数据伸缩变换成类圆形。这也就改变了原始数据的一个分布。好处：1 提高迭代求解的收敛速度2 提高迭代求解的精度2标准化特点对不同特征维度的伸缩变换的目的是使得不同度量之间的特征具有可比性。同时不改变原始数据的分布。好处：1 使得不同度量之间的特征具有可比性，对

0.0000

0

3

0

关注作者

收藏

读童话的狼

什么是鲁棒性？

鲁棒是Robust的音译，也就是健壮和强壮的意思。它是在异常和危险情况下系统生存的关键。在深度学习中常用于形容算法模型，当说算法模型具有鲁棒性时，表明对这个算法模型而言，一些异常的数据对整体的性能影响不大或者基本没有影响。

0.0000

0

1

0

关注作者

收藏

读童话的狼

残差跟偏差的区别是什么？

残差在数理统计中是指实际观察值与估计值（拟合值）之间的差偏差又称为表观误差，是指个别测定值与测定的平均值之差，它可以用来衡量测定结果的精密度高低

0.0000

0

3

0

关注作者

收藏

liting李

梯度提升和梯度下降有什么区别？

梯度提升，沿着残差减少的方向来构造树模型梯度下降，沿着在任意点连续且可求导的损失函数的梯度反方向尝试逼近全局最小的损失函数值

6.7258

2

4

0

关注作者

收藏

liting李

什么事核函数？

核函数就是一个很投机取巧的函数一般来说，在多维空间下计算svm的结果，首先需要将每一个低维空间中的点全部投射到高纬空间当中，这部操作特别麻烦，耗时间，并且有可能高维空间的维度是正无穷的。在投射之后，需要对每两个点走点乘，从而可以带到svm的损失函数中，求一个最优质而对于核函数来说，投射到高维空间后做点乘的结果！！正好！！是低维空间中点乘的结果的一个函数。从而可以省略麻烦的身维操作

6.0871

2

0

0

关注作者

收藏

田齐齐

机器学习：梯度下降

在求解机器学习算法的模型参数，即无约束优化问题时，梯度下降（Gradient Descent）是最常采用的方法之一。梯度下降法是一个最优化算法，通俗的来讲就是沿着梯度下降的方向迭代求解某个函数的最小值。梯度下降法是一个最优化算法，通常也称最速下降法，常用于机器学习和人工智能中递归性逼近最小偏差模型，梯度下降的方向就是用负梯度方向为搜索方向，沿着梯度下降的方向求解极小值。在训练过程中，每次的正向传

21.9332

4

3

0

关注作者

收藏

田齐齐

xgboost库的安装

安装代码：pip install xgboost -i https://pypi.tuna.tsinghua.edu.cn/simple 安装成功后然后倒入xgboost就可以啦！import xgboost

29.3637

4

3

0

关注作者

收藏

田齐齐

什么事核函数？

核函数就是一个很投机取巧的函数一般来说，在多维空间下计算svm的结果，首先需要将每一个低维空间中的点全部投射到高纬空间当中，这部操作特别麻烦，耗时间，并且有可能高维空间的维度是正无穷的。在投射之后，需要对每两个点走点乘，从而可以带到svm的损失函数中，求一个最优质而对于核函数来说，投射到高维空间后做点乘的结果！！正好！！是低维空间中点乘的结果的一个函数。从而可以省略麻烦的身维操作

29.3637

4

3

0

关注作者

收藏

读童话的狼

xgboost如何安装？

在 Anaconda Prompt (Anaconda3) 下运行pip install xgboost -i https://pypi.tuna.tsinghua.edu.cn/simpleAnaconda Prompt可以在开始菜单找到运行后提示按装成功就可以了如果安装失败，很可能是因为anaconda不是最新版，安装最新版本就可以

16.1950

1

3

0

关注作者

收藏

读童话的狼

损失函数是要满足可导的条件吗？

损失函数一般都要用可导函数，因为常用的解最优化的方法，梯度下降，牛顿法，都需要导数如果你的优化方法不利用导数，自然也可以选择不可导的损失函数

0.0000

0

3

0

关注作者

收藏

读童话的狼

jupyter为什么不显示文件标题？

上方没有文件名是怎么回事？这是可以设置的，点击View下的Toggle Header就可以控制其显示还是隐藏

16.1950

1

0

0

关注作者

收藏

读童话的狼

神经网络中的 alpha是干嘛的？

alpha：folat,optional,default0.0001 L2惩罚（正则化项）参数。这个参数就是给模型增加一个惩罚，防止模型过拟合，越大越容易防止过拟合

0.0000

0

7

0

关注作者

收藏

读童话的狼

神经网络如何设置中间层的层数？

在sklearn中中间层的层数是hidden_layer_sizes来控制的，如一层就设置为（100，），100是指有100个节点，三层就可以设置为（50,60,70）数值代表每层的节点个数

0.0000

0

3

0

关注作者

收藏

读童话的狼

梯度下降与反向传播的区别？

梯度下降法是一种将输出误差反馈到神经网络并自动调节参数的方法，它通过计算输出误差的loss值（J）对参数W的导数，并沿着导数的反方向来调节W，经过多次这样的操作，就能将输出误差减小到最小值，即曲线的最低点。反向传播是遵循链式法则的，它将前向传播的输出作为输入，输入作为输出，通过递进的方式将求导这个动作从后向前传递回各层。神经网络参数的求导需要进行矩阵微积分计算，根据这些导数的反方向来调节参数，就

0.0000

0

2

0

关注作者

收藏

读童话的狼

自变量超梯度反方向下降，怎么确定什么时候达到最低点呢？

可以规定最大迭代次数，也可以定义一个合理的阈值，当两次迭代之间的差值小于该阈值时，迭代结束。

0.0000

0

1

0

关注作者

收藏

读童话的狼

神经网络更新的是最后一层的参数还是所有层的参数呀？

神经网络每次更新的是所有层的参数更新参数的时间和训练的方法有关，更确切的说，是我们为了设置什么时候更新参数，才使用哪种方法进行训练1、如果一次性训练全部样本才更新参数，就将所有样本都丢进去（相当于只有一个batch），Gradient Descent梯度下降法进行计算2、如果每计算一个样本，就更新一次参数，我们使用 Stochastic Gradient Descent 随机梯度下降

0.0000

0

4

0

关注作者

收藏

<1…222324…69>

CDA考试动态

CDA报考指南