【机器学习】知识点汇总
发布时间
阅读量：
阅读量
本文为个人学习总结，无任何商业用途，若涉及侵权，联系删除。
文章目录
- 一、模型评估;
- 二、线性模型
- 三、决策树
- 四、特征降维
- 五、贝叶斯分类器+参数估计
- 六、EM算法
- 七、SVM支持向量机
- 八、聚类
- 九、生成模型 VS 判别模型
- 其它书籍与总结
一、模型评估;
- 分类与回归模型评估：包含回归模型的评估平均绝对误差、平均方差和R平方值；分类模型的评估准确率、精确率、召回率、f1_score，混淆矩阵，ks，ks曲线，ROC曲线，psi等。
二、线性模型
- 线性模型：线性回归，广义线性回归，对数几率回归，线性判别分析，对分类问题，类别不平衡问题。
- 逻辑回归：逻辑回归为什么用sigmoid函数解释、逻辑回归为什么用交叉熵损失函数？、交叉熵损失求导的推导、均分误差MSE与平均绝对值误差MAE的区别与选择、逻辑回归模型中特征是否需要归一化？、
三、决策树
四、特征降维
- 主成分分析PCA（无监督），线性判别分析LDA（有监督）的对比
- 主成分分析详解：代码实现，应用分析
- pca白化：原理
- SVD矩阵奇异值分解
- 机器学习降维之线性判别模型(LDA)
- 白化变换：PCA白化、ZCA白化
五、贝叶斯分类器+参数估计
-
贝叶斯分类器一：
先验概率、后验概率、条件概率、贝叶斯公式、朴素贝叶斯分类器的假设？对于连续以及离散变量的处理？python代码 -
贝叶斯分类器二：极大似然估计与朴素贝叶斯的两个例题，概率模型参数估计的两个派别——判别式、生成式。
-
模型参数估计方法：最大似然估计、最大后验概率估计和贝叶斯估计
-
二维高斯分布的参数分析：公式（矩阵形式）、均值和协方差矩阵对二维高斯分布的影响
六、EM算法
- EM算法：什么是似然函数？极大似然函数意义？求极大似然函数估计值的一般步骤?EM算法的步骤？EM算法的隐变量？
七、SVM支持向量机
八、聚类
- 聚类分析（超全超详细版）：聚类指标？聚类之前的准备工作？基于划分的聚类（K-means），k-means与knn的区别？基于层次的聚类? 基于密度的聚类（DBSCAN算法）? 基于密度的聚类相比于划分与层次解决了什么问题？
- 五种主要聚类算法：K-MEANS聚类算法、均值偏移聚类算法、DBSCAN聚类算法、使用高斯混合模型（GMM）的期望最大化（EM）聚类、层次聚类算法。
九、生成模型 VS 判别模型
其它书籍与总结
全部评论 (0)
还没有任何评论哟~