标签：fp 机器 入门 tp tn train 笔记 test fn

机器学习入门笔记 一

• 简单分类
• 算法例子
• 回归
• 示例
• • 使用线性回归分辨 Rocks vs. Mines
  • • step1: 导入数据
    • step2：建立train,test 数据集
    • step3: 建立模型
    • step4: 预测结果
    • step5: 评估模型
    • • confusion matrix
      • ROC(Receiver Order Characteristic)
      • Precision & Recall
      • 如何决定theshold的值？

简单分类

1. Supervised: Both input and output data are used in prediction.
2. Unsupervised: Only input data is used in prediction.

算法例子

1. 回归（Regression） ，通过寻找每一对input,output 数据之间的数学联系，模拟联系通过input预测output. 属于supervised
2. Classifiction and regression trees 通过进行input的不同分类来观测得到的不同output,从而探索其之间的关系；属于supervised
3. Clustering 对input整体进行分类，找出相似的input组成cluster；属于unsupervised

回归

1. 线性 linear

   标签：fp,机器,入门,tp,tn,train,笔记,test,fn
   来源： https://blog.csdn.net/yf_Li12/article/details/115862334

   本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
   2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
   3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
   4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
   5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。