开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

大数据集上的回归:为什么准确率会下降？

大数据集上的回归模型准确率下降可能由以下原因导致：

过拟合：当回归模型过度拟合训练数据时，其在新数据上的预测能力会下降。过拟合指的是模型过于复杂，过度适应了训练数据中的噪声和异常值，导致在新数据上的泛化能力较差。解决过拟合问题的方法包括增加训练数据量、使用正则化技术（如L1、L2正则化）和特征选择等。
数据质量问题：大数据集中可能存在数据缺失、异常值、噪声等问题，这些问题会影响回归模型的准确性。在建立回归模型之前，需要对数据进行清洗和预处理，包括处理缺失值、异常值和噪声等。
特征选择不当：回归模型的准确率也可能受到特征选择不当的影响。如果选择的特征与目标变量之间的相关性较低，或者存在多重共线性等问题，都会导致模型的准确率下降。在特征选择时，可以使用相关性分析、主成分分析等方法来选择最相关的特征。
数据分布变化：当大数据集上的回归模型在新的数据分布下进行预测时，由于数据分布的变化，模型的准确率可能会下降。这可能是因为新数据中存在与训练数据不同的特征模式或关系。为了解决这个问题，可以使用领域自适应方法或在线学习方法来适应数据分布的变化。
模型选择不当：回归模型的选择也可能影响准确率。不同的回归模型适用于不同类型的数据和问题。选择合适的回归模型可以提高准确率。常见的回归模型包括线性回归、岭回归、Lasso回归、决策树回归、随机森林回归等。

腾讯云相关产品和产品介绍链接地址：

数据处理与分析：https://cloud.tencent.com/product/dpa
机器学习平台：https://cloud.tencent.com/product/tiia
数据仓库：https://cloud.tencent.com/product/dws
弹性MapReduce：https://cloud.tencent.com/product/emr
数据集成与迁移：https://cloud.tencent.com/product/dts

相关搜索:线性回归模型(使用梯度下降)在波士顿住房数据集上不收敛大容量倾斜数据集上的Hive排序操作为什么直接使用图片数据集和pytorch自己的数据集精度差异这么大？斯坦福狗数据集上的训练和验证准确率非常低为什么在macOS上只包含很少数据的Python工具架文件会这么大？为什么数据集为零的XGBoost会返回非零预测？为什么iOS 10上的最小高度100vh会导致大窗口？在spark上读取非常大的xml文件数据集为什么xts的endpoints()会忽略区间右边界上的数据？SciKit-Learn糖尿病数据集上支持向量回归的低R^2得分为什么我无法在我的数据集上训练YOLOv5？为什么我不能提高CNN在时尚MNIST数据集上的性能？为什么scipy的curve_fit在基因表达数据上给出了多条回归直线？为什么我的多处理代码在大型数据集上停止工作？为什么当我从所有的内存学习切换到数据生成器时，我的验证准确率会如此之低？为什么当我改变数据在csv文件中的位置时，torchtext.legecy.text中的相同数据集的结果会不同？为什么在两个格式相同的不同数据集上训练NER的spacy时会出现问题？

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

Richard Sutton 直言卷积反向传播已经落后，AI 突破要有新思路：持续反向传播

大数据文摘转载自AI科技评论作者：Richard Sutton 编译：bluemin 编辑：陈彩娴 “可塑性损失”（Loss of Plasticity）是深度神经网络最常被诟病的一个缺点，这也是基于深度学习的 AI 系统被认为无法持续学习的原因之一。对于人脑而言，“可塑性”是指产生新神经元和神经元之间新连接的能力，是人进行持续学习的重要基础。随着年龄的增长，作为巩固已学到知识的代价，大脑的可塑性会逐渐下降。神经网络也是类似。一个形象的例子是，2020 年热启动式（warm-starting）训练被证

02

揭开大数据测试的神秘面纱

一、前言在大数据时代，数据挖掘，人工智能，机器学习这一系列高大上的技术应运而生，针对这一系列高大上的系统，测试同学如何参与其中，做好质量把控呢？与我们熟悉的测试套路又有何不同呢？欲知详情，请听笔者细细道来。二、背景知识介绍模式识别：是目的，就是通过计算机用数学技术方法来研究模式的自动处理和判读。机器学习：是一种方法，是一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。数据挖掘：是一种方法，从大量数据中自动搜索隐藏于其中的有着特殊关系性的信息的过程。人工智能：是指由人工制造出来的系

06

AI测试的思考与探索

原文链接：https://mp.weixin.qq.com/s/kUrAJ-VeKzwi8L_mP74Tdw

04

论文Express | 谷歌大脑：基于元学习的无监督学习更新规则

大数据文摘作品编译：杨小咩是小怪兽、晓莉、小鱼这期论文Express，让文摘菌带大家来看看谷歌大脑和伯克利关于无监督学习的联合研究。大数据文摘后台对话框内回复“元学习”即可下载论文~ 无监督学习的一个主要目的是为了获得对后续任务有用的数据分布，从而避免在有监督训练过程中需要对数据进行标注的繁琐步骤。通常，这个目标是通过定义一个代价函数（Cost Function）来最小化估计参数的方式实现的，例如negative log-likelihood（NLL）生成模型。论文作者：Luke Metz、Ni

03

☞大数据分析到底需要多少种工具？

摘要 JMLR杂志上最近有一篇论文，作者比较了179种不同的分类学习方法（分类学习算法）在121个数据集上的性能，发现Random Forest（随机森林）和SVM（支持向量机）分类准确率最高，在大多数情况下超过其他方法。本文针对“大数据分析到底需要多少种工具？”这一问题展开讨论，总结机器学习领域多年来积累的经验规律，继而导出大数据分析应该采取的策略。 1．分类方法大比武大数据分析主要依靠机器学习和大规模计算。机器学习包括监督学习、非监督学习、强化学习等，而监督学习又包括分类学习、回归学习、排序学习、匹配

大数据分析到底需要多少种工具

1．分类方法大比武大数据分析主要依靠机器学习和大规模计算。机器学习包括监督学习、非监督学习、强化学习等，而监督学习又包括分类学习、回归学习、排序学习、匹配学习等（见图1）。分类是最常见的机器学习应用

05

机器学习经典算法优缺点总结

决策树:判别模型，多分类与回归，正则化的极大似然估计特点：适用于小数据集，在进行逐步应答过程中，典型的决策树分析会使用分层变量或决策节点，例如，可将一个给定用户分类成信用可靠或不可靠。场景举例：基于规则的信用评估、赛马结果预测优点：计算量简单，可解释性强，比较适合处理有缺失属性值的样本，能够处理不相关的特征；擅长对人、地点、事物的一系列不同特征、品质、特性进行评估缺点：容易过拟合（后续出现了随机森林，减小了过拟合现象）,使用剪枝来避免过拟合；适用数据范围：数值型和标称型 CART分类

08

【陆勤践行】机器学习分类器选择

你知道如何为你的分类问题选择合适的机器学习算法吗？当然，如果你真正关心准确率，那么最佳方法是测试各种不同的算法（同时还要确保对每个算法测试不同参数），然后通过交叉验证选择最好的一个。但是，如果你只是为你的问题寻找一个“足够好”的算法，或者一个起点，这里有一些我这些年发现的还不错的一般准则。你的训练集有多大？如果训练集很小，那么高偏差/低方差分类器（如朴素贝叶斯分类器）要优于低偏差/高方差分类器（如k近邻分类器），因为后者容易过拟合。然而，随着训练集的增大，低偏差/高方差分类器将开始胜出（它们具有较低的渐

【深度学习】③--神经网络细节与训练注意点

1. 权重的初始化 1.1 fine-tuning 神经网络的训练的有两种方式，第一种是自己从头到尾训练一遍；第二种是使用别人训练好的模型，然后根据自己的实际需求做改动与调整。后者我们叫做fine-tuning. 在model zoo有大量训练好的模型（不知道的可以百度一下model zoo) fine-tuning相当于站在巨人的肩膀上，使用别人已经训练好了的优秀的模型去实现自己的需求。一般分为以下两种调整方式： 1.只修改FC（全连接层），比如原来的模型是1000个类别，而你实际上只需要分2个类别，那

05

【数据挖掘】数据挖掘算法组件化思想 ( 模型或模式结构 | 数据挖掘任务 | 评分函数 | 搜索和优化算法 | 数据管理策略 )

1 . 数据挖掘算法现状 : 目前数据挖掘领域算法很多 , 并且每年都会有有大量算法提出 ;

01

主流机器学习算法优缺点总结，先从基础玩起！

决策树分类方法，采用基于最小距离的基尼指数估计函数，用来决定由该子数据集生成的决策树的拓展形。决策树回归方法，采用切分点与切分变量来计算的损失来估计函数。如果目标变量是标称的，称为分类树;如果目标变量是连续的，称为回归树。分类树是使用树结构算法将数据分成离散类的方法。

02

Richard Sutton 直言卷积反向传播已经落后，AI 突破要有新思路：持续反向传播

作者 | Richard Sutton 编译 | bluemin 编辑 | 陈彩娴 “可塑性损失”（Loss of Plasticity）是深度神经网络最常被诟病的一个缺点，这也是基于深度学习的 AI 系统被认为无法持续学习的原因之一。对于人脑而言，“可塑性”是指产生新神经元和神经元之间新连接的能力，是人进行持续学习的重要基础。随着年龄的增长，作为巩固已学到知识的代价，大脑的可塑性会逐渐下降。神经网络也是类似。一个形象的例子是，2020 年热启动式（warm-starting）训练被证明：只有抛除最初学

02

如何选择机器学习算法

如何针对某个分类问题决定使用何种机器学习算法？当然，如果你真心在乎准确率，最好的途径就是测试一大堆各式各样的算法（同时确保在每个算法上也测试不同的参数），最后选择在交叉验证中表现最好的。倘若你只是想针对你的问题寻找一个“足够好”的算法，或者一个起步点，这里给出了一些我觉得这些年用着还不错的常规指南。训练集有多大？如果是小训练集，高偏差/低方差的分类器（比如朴素贝叶斯）要比低偏差/高方差的分类器（比如k最近邻）具有优势，因为后者容易过拟合。然而随着训练集的增大，低偏差/高方差的分类器将开始具有优势（它们拥

学界 | 更优的ImageNet模型可迁移性更强？谷歌大脑论文给出验证

作者：Simon Kornblith、Jonathon Shlens、Quoc V. Le

01

使用resnet， inception3进行fine-tune出现训练集准确率很高但验证集很低的问题

最近用keras跑基于resnet50，inception3的一些迁移学习的实验，遇到一些问题。通过查看github和博客发现是由于BN层导致的，国外已经有人总结并提了一个PR（虽然并没有被merge到Keras官方库中），并写了一篇博客，也看到知乎有人翻译了一遍：Keras的BN你真的冻结对了吗

02

机器学习训练秘籍

本文内容均来自吴恩达的《机器学习训练秘籍》，算是对其的概括以及自身对该书的理解感悟

02

LogisticRegression实验

实验目的了解logistic regression的原理及在sklearn中的使用实验数据鸢尾花数据集是由杰出的统计学家R.A.Fisher在20世纪30年代中期创建的，它被公认为用于数据挖掘的最著名的数据集。它包含3种植物种类（Iris setosa、Iris versicolor和Iris virginica），每种各有50个样本。下载地址：http://archive.ics.uci.edu/ml/datasets/Iris LogisticRegression 主要参数介绍 class s

04

新型AI面部识别技术进一步发展

但到目前为止，还是有限制因素，这些工具被八种所谓的核心状态所限制——愤怒、轻蔑、恐惧、厌恶、快乐、悲伤、惊讶或中立。

02

【数据挖掘】数据挖掘算法组件化思想示例分析 ( 组件化思想 | Apriori 算法 | K-means 算法 | ID3 算法 )

1 . 模型或模式结构 : 通过数据挖掘过程得到知识 ; 是算法的输出格式 , 使用模型 / 模式将其表达出来, 如 : 线性回归模型 , 层次聚类模型 , 频繁序列模式等 ;

01

论文Express | AI+云+无人机=“云中监狱”：剑桥大学个体暴力行为实时监测

大数据文摘出品编译：小鱼、halcyon 关于AI技术引起的道德话题近来颇受争议，比如利用算法识别犯罪团伙或者，利用图像识别判定同性恋。近日，剑桥大学发布了一篇论文，提出了一个有意思的观点，即利用混合深度学习网络+云计算+无人机，搭建了一个能实时监测个体暴力行为的无人机监控系统。网红博主爱可可老师评价道，这篇论文的观点值得及时反思的道德危机，AI+云+无人机=空中监狱。论文中监控系统的实时画面☟ 可以在视频中看到，论文中提出的无人机监控系统，可以在人群中准确检测到发生肢体冲突的个体，并对其进行标记。

04

人工智能机器学习深度学习

人工智能、机器学习、深度学习这些名词经常会在各种场合听到，那具体有哪些区别呢？在业内来说，这几个概念还是有区别的，如果混用就会让人觉得是个门外汉。为了避免露馅成为外行，下面就来具体介绍一下每个概念以及它们之间的区别。

02

把CNN里的乘法全部去掉会怎样？华为提出移动端部署神经网络新方法

深度学习模型，尤其是深度卷积神经网络（DCNN），在多个计算机视觉应用中获得很高的准确率。但是，在移动环境中部署时，高昂的计算成本和巨大的耗电量成为主要瓶颈。而大量使用乘法的卷积层和全连接层正是计算成本的主要贡献者。

02

把CNN里的乘法全部去掉会怎样？华为提出移动端部署神经网络新方法

深度学习模型，尤其是深度卷积神经网络（DCNN），在多个计算机视觉应用中获得很高的准确率。但是，在移动环境中部署时，高昂的计算成本和巨大的耗电量成为主要瓶颈。而大量使用乘法的卷积层和全连接层正是计算成本的主要贡献者。

01

阿里「杀手锏」级语音识别模型来了！推理效率较传统模型提升10倍，已开源

丰色发自凹非寺量子位 | 公众号 QbitAI 阿里达摩院，又搞事儿了。这两天，它们发布了一个全新的语音识别模型： Paraformer。开发人员直言不讳：这是我们“杀手锏”级的作品。 ——不仅识别准确率“屠榜”几大权威数据集，一路SOTA，推理效率上相比传统模型，也最高可提升10倍。值得一提的是，Paraformer刚宣布就已经开源了。语音输入法、智能客服、车载导航、会议纪要等场景，它都可以hold住。怎么做到的？ Paraformer：从自回归到非自回归我们知道语音一直是人机交互重

02

还在困惑需要多少数据吗？来看看这份估计指南 | CVPR 2022

论文: How Much More Data Do I Need? Estimating Requirements for Downstream Tasks

01

AI产品经理的入门必修课（2）——实战篇

上一篇文章里简单介绍了AI产品经理需要具备的能力和对数据、算法需要理解的程度。本篇计划介绍一下机器学习的实际训练过程，来进一步的理解AI产品在日常工作中需要关注的内容。现简单的将训练流程划分为：定位要解决的任务类型 -> 选择合适的算法模型 -> 准备数据集 -> 训练模型 -> 调整参数 -> 模型评估及验收。

04

【数据挖掘】数据挖掘总结 ( 数据挖掘特点 | 数据挖掘组件化思想 | 决策树模型 ) ★

① 存在的真实数据 : 数据挖掘处理的数据一般是存在的真实数据 , 不是专门收集的数据 ;

00

Gradformer: 通过图结构归纳偏差提升自注意力机制的图Transformer

这是4月刚刚发布在arxiv上的论文，介绍了一种名为“Gradformer”的新型图Transformer，它在自注意力机制中引入了指数衰减掩码。以下是主要创新点：

01

清华大学开源迁移学习算法库：基于PyTorch实现，支持轻松调用已有算法

清华大学大数据研究中心机器学习研究部长期致力于迁移学习研究。近日，该课题部开源了一个基于 PyTorch 实现的高效简洁迁移学习算法库：Transfer-Learn。使用该库，可以轻松开发新算法，或使用现有算法。

03

LoR算法入门

在机器学习领域，逻辑回归（Logistic Regression, LoR）是一种常用的分类算法。逻辑回归与名字中的"回归"一词有些不同，实质上是一种二分类算法。本文将介绍逻辑回归的基本原理和使用方法。

00

系统总结！机器学习的模型！

大家好，我是花哥，前面的文章我们介绍了人工智能、机器学习、深度学习的区别与联系，指出了如今的人工智能技术基本上就是指机器学习。

01

[机器学习算法]随机森林

从统计学的角度来讲，将模型的性能寄希望于单棵决策树是不稳健的，这意味着它在处理未知数据时预测结果的方差是较大的。如同我们做重要决定时会考虑多个专家的意见，元算法meta-algorithm主张综合多个分类器的结果做预测，元算法也被称为集成方法ensemble method，主要思路包括：

03

【竞赛】一种提升多分类准确性的Trick

随机森林是一种高效并且可扩展性较好的算法, K最近邻算法则是一种简单并且可解释较强的非参数化算法。在本篇文章中,我们针对多分类问题提出了一种将随机森林和KNN算法相结合框架,我们先用训练数据对随机森林模型进行训练然后用训练好的随机森林模型对我们的训练集和测试集进行预测分别得到训练集和测试集的概率矩阵,然后将测试集中的可疑样本取出并在概率空间中进行KNN训练测试,我们的框架很大地提升了测试集中可疑样本的预测准确率;此外我们从预测的概率空间对训练数据进行噪音的过滤与删除,从而进一步提升了我们模型的预测准确率。在大量实验数据的测试中,我们的方法都取得了非常显著的效果。

03

课后作业（二）：如何用一个只有一层隐藏层的神经网络分类Planar data

来源：sandipanweb 编译：Bot 编者按：之前，论智曾在TOP 10：初学者需要掌握的10大机器学习（ML）算法介绍了一些基础算法及其思路，为了与该帖联动，我们特从机器学习热门课程HSE的Introduction to Deep Learning和吴恩达的Neural Networks and Deep Learning中挑选了一些题目，演示Python、TensorFlow和Keras在深度学习中的实战应用。 “课后作业”第二题如何用一个只有一层隐藏层的神经网络分类Planar data，来自吴

06

【学习】十大数据挖掘算法及各自优势

1. C4.5 C4.5算法是机器学习算法中的一种分类决策树算法,其核心算法是ID3算法. C4.5算法继承了ID3算法的优点，并在以下几方面对ID3算法进行了改进： 1) 用信息增益率来选择属性，克服了用信息增益选择属性时偏向选择取值多的属性的不足； 2) 在树构造过程中进行剪枝； 3) 能够完成对连续属性的离散化处理； 4) 能够对不完整数据进行处理。 C4.5算法有如下优点：产生的分类规则易于理解，准确率较高。其缺点是：在构造树的过程中，需要对数据集进行多次的顺序扫描和排序，因而导致算法的低效。 2.

05

深度学习500问——Chapter02：机器学习基础（1）

机器学习起源于上世纪50年代，1959年在IBM工作的Arthur Samuel设计了一个下棋程序，这个程序具有学习的能力，它可以在不断的对弈中提高自己。由此提出了“机器学习”这个概念，它是一个结合了多个学科，如概率论、优化理论、统计等，最终在计算机上实现自我获取新知识，学习改善自己的这样一个研究领域。机器学习是人工智能的一个子集，目前已经发展处许多有用的方法，比如支持向量机，回归，决策树，随机森林，强化学习，集成学习，深度学习等等，一定程度上可以帮助人们完成一些数据预测，自动化，自动决策，最优化等初步替代脑力的任务。本章我们主要介绍下机器学习的基本概念、监督学习、分类算法、逻辑回归、代价函数、损失函数、LDA、PCA、决策树、支持向量机、EM算法、聚类和降维以及模型评估有哪些方法、指标等等。

01

监督学习中各算法优缺点及应用场景概览

记录一波监督学习算法的应用场景和优缺点。高斯朴素贝叶斯场景：该模型常用于性别分类（https://en.wikipedia.org/wiki/Naive_Bayes_classifier#Sex_classification），即通过一些测量的特征，包括身高、体重、脚的尺寸，判定一个人是男性还是女性。优点：这个模型的优势是处理连续数据，特别当数据是高斯分布时，有一个很好的表现。处理连续数据数值问题的另一种常用技术是通过离散化连续数值的方法。通常，当训练样本数量较少或者是精确的分布已知时，通过概率分布的

06

关于机器学习，不可不知的15个概念

‍‍ 作者：布奇·昆托（Butch Quinto）来源：大数据DT（ID：hzdashuju）有监督学习有监督学习是利用训练数据集进行预测的机器学习任务。有监督学习可以分为分类和回归。回归用于预测“价格”“温度”或“距离”等连续值，而分类用于预测“是”或“否”、“垃圾邮件”或“非垃圾邮件”、“恶性”或“良性”等类别。分类包含三种类型的分类任务：二元分类、多类别分类和多标签分类。回归中包含线性回归和生存回归。无监督学习无监督学习是一种机器学习任务，它在不需要标记响应的情况下发现数据集中隐藏

02

视频中的深度学习

视频分级介绍视频分析是计算机视觉领域中的一项重要研究内容。它借助计算机和视频采集设备，在无人监督的情况下，自动完成人类视觉的部分功能。对人类视觉皮层机理的研究无疑对视频分析有着重要的借鉴和指导意义。在这方面，根据人类大脑研究发展出来的深度学习具备了独特的优势。 ---- 视觉处理的层级结构神经科学领域的研究表明，具有认知能力的大脑皮层不是直接对传感器信号进行处理，而是通过复杂的分布式层级结构对信息进行传播，完成了对信号的表达之后再进行处理。层级模型是视觉研究中最经典的基于神经科学研究建立的视觉计算模型

06

CVPR 2020丨MAML-Tracker: 用目标检测思路做目标跟踪？小样本即可得高准确率

编者按：目标检测与目标跟踪这两个任务有着密切的联系。针对目标跟踪任务，微软亚洲研究院提出了一种通过目标检测技术来解决的新视角，采用简洁、统一而高效的“目标检测+小样本学习”框架，在多个主流数据集上均取得了杰出性能。

02

深度学习系列笔记(五)

连续数学在数字计算机上的根本困难是，我们需要通过有限数量的位模式来表示无限多的实数。这将导致误差，即使理论上可行的算法，如果在设计时没有考虑最小化舍入误差的累积，在实践时也可能会导致算法的失效。

02

机器学习基础篇_2/2

原始数据 –> 数据特征工程（训练数据和测试数据） –> 选择合适的算法进行学习 –> 建立模型 –> 模型评估(测试数据) –> 判断模型是否合格 –> 模型应用（一般以API的形式提供）

02

基于不同机器学习算法的股市行情研究

在证券市场中，存在着大量历史交易数据。近年来随着大数据兴起，数据挖掘技术在股市中也得到了广泛的关注，在阅读文献的基础上我们小组对股市中不同情况如行业板块联动、行业指数涨跌预测、个股价格涨跌预测分别采用不同的机器学习算法进行分析。

03

机器学习：大数据集下的机器学习

如果我们有一个低方差的模型，增加数据集的规模可以帮助你获得更好的结果。但是大数据集意味着计算量的加大，以线性回归模型为例，每一次梯度下降迭代，我们都需要计算训练集的误差的平方和，当数据集达到上百万甚至上亿的规模时，就很难一次性使用全部的数据集进行训练了，因为内存中放不下那么多的数据，并且计算性能也达不到要求。

03

Nat. Commun. | 迁移学习助力碳水化合物的区域和立体选择性预测

今天给大家介绍的是来自瑞士伯尔尼大学及IBM欧洲研究院联合发表在Nature Communications上的文章。在本文中，作者挑战了用Molecular Transformer模型预测碳水化合物中的区域性和立体选择性反应，实验通过在少量碳水化合物反应的通用模型上进行迁移学习产生特定反应模型解决该问题，最终该模型以惊人的准确性返回预测结果。作者提出迁移学习应适用于任何特定类型。

04

原创 | 常见损失函数和评价指标总结（附公式&代码）

回归问题中常用的损失函数，在线性回归中，可以通过极大似然估计（MLE）推导。计算的是预测值与真实值之间距离的平方和。实际更常用的是均方误差（Mean Squared Error-MSE）：

02

【NLP应用之智能司法】最强之谷歌BERT模型在智能司法领域的实践浅谈

知乎链接：https://zhuanlan.zhihu.com/p/54934304

03

集成模型Xgboost！机器学习最热研究方向入门，附学习路线图

导读：本文介绍了集成学习中比较具有代表性的方法，如Boosting、Bagging等。而XGBoost是集成学习中的佼佼者，目前，一些主流的互联网公司如腾讯、阿里巴巴等都已将XGBoost应用到其业务中。本文对XGBoost的历史演化、应用场景及其优良特性进行了阐述，为入门XGBoost并进一步学习打下基础。

02

【机器学习】逻辑回归算法：原理、精确率、召回率、实例应用(癌症病例预测)

逻辑回归，简称LR，它的特点是能够将我们的特征输入集合转化为0和1这两类的概率。一般来说，回归不用在分类问题上，但逻辑回归却能在二分类(即分成两类问题)上表现很好。

04

机器学习入门 8-4 为什么要训练数据集与测试数据集

本系列是《玩转机器学习教程》一个整理的视频笔记。这一小节，主要介绍通过测试数据集来衡量模型的泛化能力，并得出训练数据集和测试数据集关于模型复杂度与模型精确度之间的趋势，最后通过一个简单的小例子来说明过拟合和欠拟合以加深理解。

02

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭