标签：机器 距离 节点 学习 GBDT 计算 欧氏 Tensorflow 基本概念
目录模型
有监督
- SVM(support vector machine): 支持向量机，它的目标是确定一个分类超平面，从而将不同的数据分隔开
- XGBoost是GBDT的优化版，不论是精度还是效率上都有了提升。与GBDT相比，具体的优点有：
- 损失函数是用泰勒展式二项逼近，而不是像GBDT里的就是一阶导数
- 对树的结构进行了正则化约束，防止模型过度复杂，降低了过拟合的可能性
- 节点分裂的方式不同，GBDT是用的基尼系数，XGBoost是经过优化推导后的
无监督
- 在k-means或kNN，我们是用欧氏距离来计算最近的邻居之间的距离。不用曼哈顿距离的原因是曼哈顿距离只计算水平或垂直距离，有维度的限制。另一方面，欧氏距离可用于任何空间的距离计算问题。因为，数据点可以存在于任何空间，欧氏距离是更可行的选择
计算框架
Tensorflow
- Tensorflow是一个通过计算图的形式来表述计算的编程系统，计算图也叫数据流图，可以把计算图看做是一种有向图，Tensorflow中的每一个计算都是计算图上的一个节点，而节点之间的边描述了计算之间的依赖关系
标签：机器,距离,节点,学习,GBDT,计算,欧氏,Tensorflow,基本概念 来源： https://www.cnblogs.com/yao1996/p/14749814.html
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。