1回答
如果我们用一个特征训练模型，那么找到数据帧高的特征可以得到最小的误差
python、python-3.x、scikit-learn、linear-regression
我有一个具有相同长度的两个数据帧:Y和X。X有4个特征X1，X2，X3，X4。regression model to predicte = abs(r).mean() 现在，我想用一列X数据帧训练模型，然后找到给出最低e(误差)的特征。
浏览 14提问于2020-10-15得票数 1
1回答
为什么在随机森林中，当树木数量增加时，均方误差会减小？
matlab、machine-learning、random-forest、decision-tree、binary-decision-diagram
当我查看OOB图时，均方误差随着树木数量的增加而直线下降。对这种下降的解释是什么？
浏览 78提问于2019-05-11得票数 0
5回答
线性回归的偏差和方差计算
python、python-3.x、linear-regression
如果我们有4个参数X_train，y_train，X_test和y_test，我们如何计算像线性回归这样的机器学习算法的偏差和方差？
我已经搜索了很多，但我没有找到一个代码来解决这个问题。
浏览 1提问于2019-03-21得票数 0
2回答
Viola - jones adaboost方法
face-detection、object-detection、viola-jones
我读过关于Viola方法用于目标检测的文章，我对一些事情感到困惑。
1-对于Adaboost来说，每一轮都意味着我们计算所有图像的160 k特征，然后找出误差最小的一个(据我所知，这是一个“弱分类器?如果我错了请纠正我)。如果是的话，这不需要花费非常长的时间来训练一组可能需要几个月的图像吗?如果这是正确的，您还
浏览 1提问于2013-11-17得票数 2
回答已采纳
3回答
特征越多，线性模型越完善。
machine-learning、linear-algebra
我需要更多地了解特性数量与线性模型回归之间的关系，基于Andreas C.Müller和Sarah Guido所著的“机器学习与Python入门”一书第47页的这一段：
对于具有许多特征的数据集，线性模型可能非常强大。特别是，如果你有比训练数据点更多的特征，那么任何目标y都可以完美地建模(在训练集上)为
浏览 0提问于2018-08-04得票数 0
回答已采纳
2回答
我是否需要在列车数据中缩放测试数据和因变量？
python、machine-learning、scikit-learn
我对机器学习中缩放特性的概念非常陌生，我认为，当一个特性范围相对于其他特性非常高时，缩放将是有用的。但是，如果我选择缩放培训数据，那么：
我能不能缩小一个高范围的功能？如果我对列车数据的整个X进行缩放，那么是否也需要对列车数据和整个测试数据的y进行缩放？
浏览 4提问于2017-09-16得票数 6
回答已采纳
1回答
特征选择
feature-selection
在特征选择和训练阶段，模型是否有可能在多个属性$p$中只选择一个属性？基本上我们是在拟合一条线。基本上，我认为应该选择特征集较少的模型，而不是具有大量功能的模型。如果一个特性($p =1$)提供了更好的性能，那么我不应该只选择特定的特性吗？
浏览 0提问于2018-07-10得票数 1
回答已采纳
1回答
对整个数据集进行训练时，结果会更差
python、tensorflow、validation、keras
在最终确定我的模型的架构之后，我决定通过在fit()中设置validation_split = 0来在整个数据集上训练模型。我认为这将改善基于这些来源的结果：
What然而，我在没有验证集的情况下得到了更差的结果(与valid
浏览 0提问于2021-02-04得票数 1
1回答
TensorFlow中特征列的相关性
python、tensorflow、deep-learning、tensorflow2.0
我最近开始探索TensorFlow为我自己写的专栏。
如果我对文档的理解是正确的，那么特征列只是在将数据拟合到模型之前进行进一步转换的“框架”。因此，如果我想使用它，我定义了一些特征列，从它们创建DenseFeatures层，当我将数据拟合到模型中时，所有特征都通过该DenseFeatures层，转换，然后适合我的NN的
浏览 20提问于2020-05-13得票数 0
4回答
降低线性回归的MAE或RMSE
machine-learning、regression、random-forest、linear-regression
我试图猜测一个房屋的价格，最后我打算用线性回归来计算出一个公式。您可以看到这里，我有1480个样本，其中有45个特性，其中price(fiyat)是目标变量。RMSE和MAE的更高值是否意味着数据集无法以良好的方式进行培训？📷
我们怎么能说这些猜测的平均错误百分比是多少？如果可以的话，你能说多少？价格和猜测之间确实有很大
浏览 0提问于2019-05-26得票数 3
1回答
参数整定时识别交叉验证支持向量机中的过拟合
python、scikit-learn、svm、cross-validation、grid-search
我有一个rbf支持向量机，我正在调整与网格搜索SVM。我如何判断我的好成绩是否真的是好结果，或者它们是否过分合适？
浏览 3提问于2016-03-15得票数 3
回答已采纳
1回答
朴素贝叶斯与Logistic回归误差率
machine-learning
我一直试图找出这两个模型的错误率和特征数量之间的相关性。我看了一些视频，视频的创作者说，一个简单的模型比一个复杂的模型更好。所以我想，我拥有的功能越多，错误率就越高。事实证明，这在我的工作中是不正确的，而且当我的特性减少时，错误率就会上升。我不知道我是不是做错了，或者视频里的那个人犯了什么错误。有人能解释一下吗？我也很好奇，特性
浏览 0提问于2013-10-02得票数 7
回答已采纳
1回答
文本分类-它是不是太适合了？我怎么证明呢？
python、machine-learning、artificial-intelligence、text-classification、multilabel-classification
我有一个多分类问题，我的数据涉及字母序列。它是一个带标签的数据(使用标签编码器将字符串标签编码为数字)。对于同一个类，可以有部分字符串。字符串可能匹配，但有些字符串可能略有不同。我不认为在模型的训练中存在测试信息泄漏。
我在训练数据上安装了不同的算法，并进行了测试，以审查泛化。测试分数(准确率、F1分数、精确度和召回率)非常高(
浏览 1提问于2020-07-19得票数 3
1回答
图像处理中特征组合的特征选择/约简技术
machine-learning、feature-selection、svm、image-classification、computer-vision
我有一个从3个描述符中提取的特征组合。即基于GLCM的特征(相关、均匀性、能量和对比度)、局部二值模式(256)、离散小波变换系数和40种情况的数据集。我使用支持向量机和RBF核。是否需要进行特征选择？如果是的话，你有什么建议？
浏览 0提问于2018-12-06得票数 2
2回答
用于查找训练模型所需的最小特征的问题
python、python-3.x、dataframe、machine-learning
我有一个数据帧，其中包含price_range(target_attribute)和其他功能列。我有一个问题，要求我找到可能的特征的最小子集(最小数量的特征列)，使得模型的得分超过0.4 现在，我的想法是逐个删除特征列，看看模型的得分何时最接近0.4。是那么
浏览 12提问于2019-05-02得票数 1
回答已采纳
2回答
为什么特征缩放会提高梯度下降的收敛速度？
linear-regression、gradient-descent、supervised-learning
在这的文章中，它说：
我们可以通过缩放来加速梯度下降。这是因为θ在小范围内下降很快，在大范围范围内缓慢下降，因此当变量非常不均匀时，会低效率地振荡到最优。对于线性回归，从方程a_{n+1}=a_n-\alpha\nabla F(a_n)中，我不太清楚为什么大范围变量的收敛速度较慢，或者如何/为什么会发生振荡。
浏览 0提问于2019-07-14得票数 6
1回答
支持向量机硬边界:为什么不平衡的数据集可能会导致糟糕的结果？
machine-learning、classification、regression、svm、libsvm
我可以理解为什么软边距支持向量机会受到不平衡训练集的影响:最小化优化问题的误差可以将所有数据训练分类为负面(if |负面示例| >> |正面示例| )。但是，在硬边距支持向量机中，我没有松弛的变量和C语言，所以我不想最小化误差，因为硬边距SVM预期没有错误(对于问题的定义)！硬边界支持向量机只是搜索支持向量，并最大化由支持向量“识别”的</em
浏览 1提问于2013-07-21得票数 2
回答已采纳
云服务器
对象存储
ICP备案
云点播
语音识别
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号