首页
闂傚倷鑳舵灙婵炲瓨宀稿畷妤€鈽夊顓ф綗濡炪倖甯掔€氼剟鎯屽Δ鍛叆闁绘洖鍊圭€氾拷
濠电姵顔栭崰妤呮晪闂佸鏉垮缂侇喖锕幃娆擃敆閳ь剟顢氶柆宥嗙叆闁绘洖鍊圭€氾拷
闂備浇宕甸崰鎰般€冮崱娆屽亾缁楁稑娲﹂崑澶愭煕閹捐尙鍔嶅┑顖氥偢閺屻劑鎮ら崒娑橆伓
缂傚倸鍊峰鎺楀礋濮椻偓瀹曠懓煤椤忓嫀褔鏌i幘鍐茬槰婵炲吋鐗犻弻銊╂偆閸屾稑顏�
婵犵數鍋為崹鍫曞箰閹间絸鍥敍濮n厾鎳撹灃闁逞屽墴閵堫亝绻濆顒侇棟闂佸憡鎸嗛崨顔锯偓锟�
闂傚倷鑳堕崢褔鎮洪妸鈺佸瀭鐟滅増甯楅崑銈夋煛閸愩劎澧曠紒鐘冲灴閺屾洘寰勯崼婵嗩瀴缂備椒绶¢崰姘跺焵椤掍緡鍟忛柛锝庡灦楠炲繘鏁撻敓锟�
闂傚倷鑳剁划顖滃枈瀹ュ洤鍨濋煫鍥ㄧ⊕閸庡秹鏌i敐鍛拱閻庢碍宀搁弻銊╂偆閸屾稑顏�
婵犵數鍋為崹鍫曞箰閹绢喖纾婚柟鎯у绾惧ジ鏌¢崘锝呬壕闂佽崵鍠嗛崕闈涚暦閾忛€涙勃闁绘劦鍓欓崝鍛存⒑鐠恒劌娅愰柟鍑ゆ嫹
闂傚倷鑳堕幊鎾绘偤閵娾晛绀夋慨妞诲亾妞ゃ垺宀告慨鈧柍銉ョ-缁愮偤鎮峰⿰鍐х€规洩缍侀弫鎾绘晸閿燂拷
闂傚倸鍊搁崐鎼佸磹妞嬪海鐭嗗〒姘e亾妤犵偞鐗犻、鏇㈠Χ閸モ晝鍘犻梻浣告惈椤︿即宕靛顑炴椽顢斿鍡樻珝闂備線鈧偛鑻崢鎾煕鐎n偅宕岀€规洘甯¢幃娆戔偓娑櫳戦鐔兼⒒娴h姤纭堕柛锝忕畵楠炲繘鏁撻敓锟�
TAG
闂傚倸鍊搁崐鎼佸磹閻戣姤鍤勯柛顐f礀缁犵娀鏌熼幑鎰靛殭閻熸瑱绠撻幃妤呮晲鎼粹€愁潻闂佹悶鍔嶇换鍫ョ嵁閺嶎灔搴敆閳ь剚淇婇懖鈺冩/闁诡垎浣镐划闂佸搫琚崝鎴﹀箖閵堝纾兼繛鎴烇供娴硷拷
分类是一种对离散型随机变量建模或预测的监督学习方法。
精华吧
→
答案
→
网课
分类是一种对离散型随机变量建模或预测的监督学习方法。
正确答案:正确
Tag:
学习方法
建模
变量
时间:2024-04-17 10:41:56
上一篇:
聚类算法是要自己想办法把一批样本分开,分成多个类,保证每一个类中的样本之间是相似的,而不同类的样本之间是不同的。
下一篇:
我们在家自学英语单词,只能自己看音节、听发音,自己找其中的规律,这就是无监督学习。
相关答案
1.
在有监督学习中,我们会在训练数据集上建立模型,之后会把这个模型用于之前从未见过的数据中,这个过程称为模型的泛化。
2.
如果模型过于简单,连训练数据集的特点都不能完全考虑到的话,那么这样的模型在训练数据集和测试数据集的得分都会非常差,这个时候我们说模型出现了欠拟合。
3.
scikit()learn是一个文档丰富且易于使用的库,它使用简单的方法简化了机器学习算法的应用。
4.
scikit()learn还用于执行数据预处理、特征选择、模型评估等操作。
5.
线性回归的任务是找到一个从特征空间X到输出空间Y的最优的线性映射函数。
6.
根据商品房屋的所在城市、面积、地段和开发商等若干个特征数据进行预测房价,根据季度、维度、时间和地点等若干特征数据预测天气预报都属于回归问题。
7.
机器学习可以根据学习方式分为监督式学习和非监督式学习。
8.
监督式学习只需要有标记的训练样本去学习得到一个最优模型。
9.
非监督式学习就是从以往经验中去不断学习来获取知识,不需要大量已标记的确定标签。
10.
强化学习是通过反馈来自我进行“学习”,不需要大量已标记的确定标签。
热门答案
1.
分类通过有标记样本训练出一个分类函数或分类模型,该模型能把训练样本以外的新样本映射到给定类别中的某一类中,属于有监督学习。
2.
回归是通过拟合有标记样本的分布得到一条直线或者超平面,从而对新样本进行预测,属于有监督学习。
3.
聚类是通过一定方法使得相似的样本划分为一个簇,不同簇的样本尽可能不相似,属于无监督学习。
4.
所有的聚类算法都属于有监督学习。
5.
特征工程是机器学习的关键步骤。
6.
特征工程是一个创造新特征的过程,利用数据领域的知识创建使机器学习算法达到最佳性能的特征。
7.
在对人的性别进行分类的模式分类问题中,特征提取与选择的好坏将直接决定分类器的性能。
8.
数据清洗主要是对原始数据进行规整化,目标是使得数据能够满足模型处理的数据格式。
9.
在实际场景中,我们获取的数据或多或少可能存在缺失的情况,这时我们需要对缺失数据进行相应处理。
10.
在完成数据清洗之后,我们需要进行特征预处理,包括归一化、标准化、中心化。