Regeln:
- Ein Klassifikator pro Antwort
- Stimme ab, wenn du einverstanden bist
- Duplikate ablehnen / entfernen.
- Tragen Sie Ihre Bewerbung in den Kommentar ein
machine-learning
classification
application
Łukasz Lew
quelle
quelle
Logistische Regression :
quelle
Unterstützung vektor maschine
quelle
Regularisierte Diskriminante für überwachte Probleme mit verrauschten Daten
Link zur Originalarbeit von Friedman et al . Von 1989 hier . Auch gibt es sehr gute Erklärungen von Kuncheva in ihrem Buch " Combining Pattern Classifiers ".
quelle
Bäume mit Farbverlauf.
quelle
Gaußscher Prozessklassifikator - Er gibt probabilistische Vorhersagen (nützlich, wenn sich die Häufigkeit Ihrer operativen relativen Klassen von der in Ihrem Trainingssatz unterscheidet oder wenn die falsch-positiven / falsch-negativen Kosten unbekannt oder variabel sind). Es liefert auch eine Einschätzung der Unsicherheit in Modellvorhersagen aufgrund der Unsicherheit bei der "Schätzung des Modells" aus einem endlichen Datensatz. Die Co-Varianz-Funktion entspricht der Kernelfunktion in einer SVM und kann daher auch direkt auf nicht-vektorielle Daten (z. B. Zeichenfolgen oder Diagramme usw.) angewendet werden. Der mathematische Rahmen ist auch ordentlich (aber verwenden Sie nicht die Laplace-Näherung). Automatisierte Modellauswahl durch Maximierung der Grenzwahrscheinlichkeit.
Kombiniert im Wesentlichen gute Eigenschaften von logistischer Regression und SVM.
quelle
L1-regulierte logistische Regression.
quelle
kNN
quelle
Naive Bayes und zufällige naive Buchten
quelle
K-bedeutet Clustering für unbeaufsichtigtes Lernen.
quelle