- 更新日期:2018/04/24
方法技巧
【Trick】核技巧
【Trick】决策树剪枝
【Trick】数据预处理的常用方法
【Trick】机器学习特征工程处理(一)
异同
【异同】信息增益、Gini、信息增益率
【异同】决策树ID3和C4.5的异同
【异同】LR和SVM的异同
【异同】梯度提升决策树和随机森林的异同
算法学习
【ML算法】监督学习——线性回归
【ML算法】监督学习——逻辑回归
【ML算法】监督学习——决策树ID3算法
[【ML算法】监督学习——决策树C4.5算法]
【ML算法】监督学习——支持向量机
【ML算法】监督学习——KNN算法
[【ML算法】无监督学习——K-means聚类]
[【ML算法】无监督学习——层次聚类]
[【ML算法】无监督学习——DBCAN聚类]
【ML算法】无监督学习——关联规则Apriori
[【ML算法】集成学习——随机森林(RF)]
[【ML算法】集成学习——GBDT]
[【ML算法】集成学习——Adaboost]
[【ML算法】集成学习——xgboost]
Machine Learning算法底层实现(基于python)
[【ML算法实现】监督学习——线性回归]
[【ML算法实现】监督学习——逻辑回归]
[【ML算法实现】监督学习——决策树ID3算法]
[【ML算法实现】监督学习——决策树C4.5算法]
[【ML算法实现】监督学习——支持向量机]
[【ML算法实现】监督学习——KNN算法]
[【ML算法实现】无监督学习——K-means聚类]
[【ML算法实现】无监督学习——层次聚类]
[【ML算法实现】无监督学习——DBCAN聚类]
[【ML算法实现】无监督学习——关联规则Apriori]
[【ML算法实现】集成学习——随机森林(RF)]
[【ML算法实现】集成学习——GBDT]
[【ML算法实现】集成学习——Adaboost]
[【ML算法实现】集成学习——xgboost]