登录
首页精彩阅读机器学习中的基础知识(深入下篇)
机器学习中的基础知识(深入下篇)
2019-02-16
收藏


我们都知道,机器学习是人工智能中十分重要的内容,所以在前面的文章中我们给大家介绍了很多关于机器学习的知识,这些知识只是概念,还不是机器学习中更加深入的内容,不过要想学习深入知识就需要了解基础知识,下面我们就给大家介绍一下机器学习中的基础知识。


(1)正类,在二元分类中,有两种类别:正类和负类。正类是我们测试的目标。

(2)精度就是分类模型的一种指标。准确率指模型预测正类时预测正确的频率。

(3)分区策略就是在多个参数服务器中分割变量的算法。

(4)性能具有多种含义。在软件工程中的传统含义为软件运行速度有多快/高效?在机器学习中的含义为模型的准确率如何?

(5)困惑度就是对模型完成任务的程度的一种度量指标。

(6)流程就是机器学习算法的基础架构。管道包括收集数据、将数据放入训练数据文件中、训练一或多个模型,以及最终输出模型。

(7)预测模型在输入样本后的输出结果。

(8)预测偏差就是揭示预测的平均值与数据集中标签的平均值的差距。

(9)预制评估器就是已经构建好的评估器。

(10)预训练模型就是已经训练好的模型或模型组件(如嵌入)。有时,你将预训练嵌入馈送至神经网络。其他时候,你的模型自行训练嵌入,而不是依赖于预训练嵌入。

(11)先验信念就是训练开始之前你对数据的信念。

(12)队列就是实现队列数据结构的 TensorFlow 操作。通常在输入/输出(I/O)中使用。

(13)秩在机器学习领域中包含多种含义的术语。张量中的维度数量。机器学习问题中类别的序数位置,按从高到低的顺序给类别分类。

(14)召回率就是分类模型的一个指标,

(15)修正线性单元就是一种具备以下规则的激活函数:如果输入为负或零,则输出为 0。如果输入为正,则输出与输入相同。

(16)回归模型就是一种输出持续值的模型。而分类模型输出的是离散值。


我们在这篇文章中给大家介绍了很多机器学习中的知识,这些都是我们需要注意的内容,希望这篇文章能够给大家带来帮助,最后感谢大家的阅读。

数据分析咨询请扫描二维码

客服在线
立即咨询