没有合适的资源?快使用搜索试试~ 我知道了~
资源推荐
资源详情
资源评论
![rar](https://img-home.csdnimg.cn/images/20210720083606.png)
![application/x-rar](https://img-home.csdnimg.cn/images/20210720083606.png)
![rar](https://img-home.csdnimg.cn/images/20210720083606.png)
![xmind](https://img-home.csdnimg.cn/images/20210720083646.png)
![thumb](https://img-home.csdnimg.cn/images/20210720083646.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![thumb](https://img-home.csdnimg.cn/images/20210720083646.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![docx](https://img-home.csdnimg.cn/images/20210720083331.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![application/x-rar](https://img-home.csdnimg.cn/images/20210720083606.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![docx](https://img-home.csdnimg.cn/images/20210720083331.png)
![docx](https://img-home.csdnimg.cn/images/20210720083331.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![rar](https://img-home.csdnimg.cn/images/20210720083606.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![](https://csdnimg.cn/release/download_crawler_static/89639946/bg1.jpg)
1.朴素贝叶斯:
P(B|A)=P(A|B)× P(B)/ P(A)
前提:所有的特征在数据集中是同等重要,但又相互独立。
应用:分类模型,输出的预测值是离散值。
解析:满足前提(P(A)=P(B))下,A 在 B 下发生概率等于 B 在 A 下发生的后验概率。
B 在 A 下概率 * B 条件概率 = A 在 B 下概率 * B 条件概率。
知识点:中位数,方差,均值,平方差,加权平均值,偏导,梯度,伯努力,beta 分布,
高斯分布。
2.
降维:PCA(主成分分析),LDA(线性判别分析)
3.回归算法
#线性
,
#决策树,#随机决策数,#随机森林,#Boosting(弱预测,强联合)家族 GDBT,梯度提升树
逻辑斯蒂回归(Logistic regressionmodel),LR 回归:
分类算法,在线性回归模型的基础上,使用 sigmoid 函数,将线性模型 wTx 的结果压缩到[0,1]之间,使其
拥有概率意义。
Boosting 方法——集成学习:
将一系列弱学习分类器相结合来提升总体模型的预测准确度。在任意时间 t,根据 t‐1 时刻得到的结果给
当前结果赋予一个权重,之前正确预测的结果获得较小权重,错误分类的结果得到较大权重,这样就得到
了一个总体上更为准确的预测模型。
Gradient Boosting:
每⼀次建立模型是在之前建立模型损失函数的梯度下降方向。⾸首先将函数(模型)分 解为可加的形式,然
后进行 m 次迭代,通过使得损失函数在梯度上减少,最终得到⼀个优秀的模型。通过加权(也就是每次在梯
度⽅方向上下降的距离)的方式将这些弱的 模型合并起来,形成⼀一个更好的模型。
4. 什么是截尾和拖尾?
(1)p 阶自回归模型 AR(P)
AR(p)模型的偏自相关函数 PACF 在 p 阶之后应为零,称其具有截尾性;
AR(p)模型的自相关函数 ACF 不能在某一步之后为零(截尾),而是按指数衰减(或成正弦波形式),称其
具有拖尾性。
(2)q 阶移动平均模型 MA(q)
MA(q)模型的自相关函数 ACF 在 q 阶之后应为零,称其具有截尾性;
资源评论
![avatar-default](https://csdnimg.cn/release/downloadcmsfe/public/img/lazyLogo2.1882d7f4.png)
![avatar](https://profile-avatar.csdnimg.cn/14b5e66676b544f1ae77b7c5ea8c34c7_qq_30220519.jpg!1)
码力码力我爱你
- 粉丝: 2301
- 资源: 196
上传资源 快速赚钱
我的内容管理 展开
我的资源 快来上传第一个资源
我的收益
登录查看自己的收益我的积分 登录查看自己的积分
我的C币 登录后查看C币余额
我的收藏
我的下载
下载帮助
![voice](https://csdnimg.cn/release/downloadcmsfe/public/img/voice.245cc511.png)
![center-task](https://csdnimg.cn/release/downloadcmsfe/public/img/center-task.c2eda91a.png)
最新资源
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
![feedback](https://img-home.csdnimg.cn/images/20220527035711.png)
![feedback](https://img-home.csdnimg.cn/images/20220527035711.png)
![feedback-tip](https://img-home.csdnimg.cn/images/20220527035111.png)
安全验证
文档复制为VIP权益,开通VIP直接复制
![dialog-icon](https://csdnimg.cn/release/downloadcmsfe/public/img/green-success.6a4acb44.png)