Lecture 2: Supervised machine learning
这周主要讲监督学习 首先介绍了下监督学习的概念以及过拟合和欠拟合，这些就不再赘述了。 K邻近法对数据的结构没有做假设，虽然预测较为正确，但是通常不稳定。 线性拟合对数据的结构做了些假设，结果较为稳定，但可能不太精确。 如果有大量的特征，尤其是很多特征值为0的情况下，最好不要用K邻近法。 SVM支持向量机，SVM可以用于classification和regression。 具体可以参考《统计机器学习
相关文章
- 1. Machine Learning——Lecture 6
- 2. Machine Learning Algorithms Study Notes(2)--Supervised Learning
- 3. ML Lecture 0-1: Introduction of Machine Learning
- 4. Andrew Ng 's machine learning lecture note (15)
- 5. ML Lecture 0：Introduction of Machine Learning / Why we need to learn machine learning?
- 6. Andrew Ng 's machine learning lecture note (14)
- 7. Machine learning(2): Quiz2
- 8. 李宏毅ML lecture-12 Semi-supervised Learning
- 9. 李宏毅 lecture-12 Semi-supervised Learning
- 10. 【Machine Learning】Machine Learning 综述
- 更多相关文章...
- • Docker Machine - Docker教程
- • Thymeleaf扩展2(Say Hello) - Thymeleaf 教程
- • Java Agent入门实战（一）-Instrumentation介绍与使用
- • Java Agent入门实战（三）-JVM Attach原理与使用
相关标签/搜索
每日一句
-
每一个你不满意的现在，都有一个你没有努力的曾经。
欢迎关注本站公众号,获取更多信息
相关文章
- 1. Machine Learning——Lecture 6
- 2. Machine Learning Algorithms Study Notes(2)--Supervised Learning
- 3. ML Lecture 0-1: Introduction of Machine Learning
- 4. Andrew Ng 's machine learning lecture note (15)
- 5. ML Lecture 0：Introduction of Machine Learning / Why we need to learn machine learning?
- 6. Andrew Ng 's machine learning lecture note (14)
- 7. Machine learning(2): Quiz2
- 8. 李宏毅ML lecture-12 Semi-supervised Learning
- 9. 李宏毅 lecture-12 Semi-supervised Learning
- 10. 【Machine Learning】Machine Learning 综述