标签: 机器学习
所有带有标签 "机器学习" 的文章。
-
机器学习速成·分类(4/4)：预测偏差与多类别分类
参考 Google 机器学习速成课程（预测偏差 + 多类别分类模块），详解预测偏差的定义、成因与快速排查方法，以及多类别/多标签分类的概念与做法
-
机器学习速成·分类(3/4)：ROC 曲线与 AUC——看穿所有阈值
参考 Google 机器学习速成课程（ROC 和曲线下面积模块），详解 ROC 曲线如何展示所有阈值下的模型性能、AUC 的概率含义、模型对比与阈值选择，以及不均衡数据下改用 PRC
-
机器学习速成·分类(2/4)：准确率、召回率、精确率与 F1
参考 Google 机器学习速成课程（准确率、召回率、精确率和相关指标模块），详解准确率、召回率（TPR）、假正例率（FPR）、精确率的公式与适用场景，以及 F1 得分
-
机器学习速成·分类(1/4)：简介、分类阈值与混淆矩阵
参考 Google 机器学习速成课程（分类简介 + 阈值和混淆矩阵模块），详解二元分类、分类阈值的选择、混淆矩阵的四个格子（TP/FP/FN/TN）及阈值对它们的影响
-
机器学习速成·逻辑回归(2/2)：损失与正则化——为什么用对数损失
参考 Google 机器学习速成课程（逻辑回归：损失和正则化模块），详解逻辑回归训练的两大差异：为何用对数损失而非平方损失，以及正则化为何至关重要
-
机器学习速成·逻辑回归(1/2)：简介与 S 型函数——让模型输出概率
参考 Google 机器学习速成课程（逻辑回归简介 + 使用 S 型函数计算概率模块），详解逻辑回归 vs 线性回归、S 型函数公式与特性、对数几率（log-odds），并手算一个完整例子
-
机器学习速成·线性回归(4/4)：超参数——学习速率、批次大小与周期
参考 Google 机器学习速成课程（Hyperparameters 模块），详解三个核心超参数：学习速率、批次大小、周期，以及超参数与参数的区分，如何调节让模型更快收敛
-
机器学习速成·线性回归(3/4)：梯度下降——如何找到最优的权重和偏差
参考 Google 机器学习速成课程（Gradient Descent 模块），详解梯度下降的迭代步骤、具体数值算例、损失曲线与收敛，以及凸函数保证找到全局最优的原理
-
机器学习速成·线性回归(2/4)：线性回归的损失函数——从距离到 MSE / MAE 的选择
参考 Google 机器学习速成课程（Loss 模块），详解损失的概念、损失距离、L1/L2、MAE/MSE/RMSE 五种损失类型与公式，以及如何根据离群值选择合适的损失函数
-
机器学习速成·线性回归(1/4)：线性回归——从方程、参数到多特征模型
参考 Google 机器学习速成课程（Linear Regression 模块），详解线性回归方程、偏差（bias）与权重（weight）参数、多特征模型，以及训练期间哪些参数会被更新