Публикации по теме 'classification'


Введение в деревья решений
Деревья решений обычно используются для задач классификации и регрессии в машинном обучении. Короче говоря, они изучают иерархию вопросов «если/иначе», что в конечном итоге позволяет им принять решение. Эти вопросы больше похожи на вопросы, которые мы задаем в игре из 20 вопросов. Давайте представим, мы хотим различать четырех животных, таких как — медведи, ястребы, пингвины и дельфины. Ваша цель — найти ответ, задавая как можно меньше вопросов, если это возможно. Мы можем начать с..
Коротко о машинном обучении
Коротко о машинном обучении Это моя первая статья, и я начну ее с моей любимой темы — машинного обучения. Машинное обучение Наука о том, как заставить машину/модель учиться самостоятельно и находить закономерности в имеющихся данных, чтобы предсказывать неизвестное будущее. Пример: Самоуправляемые автомобили без или с меньшей помощью человека. Предложения друзей в социальных сетях. Типы машинного обучения Контролируемое обучение Неконтролируемое обучение Обучение с..
Обучение с учителем, давайте учиться
Стоит ли мне сегодня посмотреть фильм? Что ж, позвольте мне проверить свое расписание, позвольте мне проверить погоду. Доступны ли мои друзья сегодня? Это вопросы, которые я задаю себе перед просмотром фильма. Может ли машина имитировать мои решения? Если дать машине данные об этих вопросах и ответах, сможет ли она прийти к такому же выводу, что и я? Ответ - ДА, и этот метод называется обучением с учителем. Знаете, что такое машинное обучение? Если да, то..
Матрица путаницы и стоимости помогает рассчитать точность, стоимость и другие измеримые…
a. Верно + ве: если человек действительно болен раком (Фактический класс = Да), и мы правильно прогнозируем как Да , то он действительно болен рак (Прогнозируемый класс = Да) b. Неверно -ve: если человек действительно болен раком (фактический класс = Да), и мы предсказываем неверно как Нет , то он действительно болен раком (Прогнозируемый класс = Нет) c. Неверно + ve: если у человека нет рака (Фактический класс = Нет), и мы предполагаем, что это Да , то на самом деле..
Уловки, чтобы справиться с классовым дисбалансом, часть - I
Давайте обсудим следующие методы обработки дисбаланса классов для задачи прогнозирования двоичного класса: Параметр class_weight в Scikit-Learn SMOTE Увеличение показателя f1 с помощью пороговых значений Минимизация функции мягких потерь f1 напрямую с помощью нейронной сети (NN) Данные: обнаружение мошенничества с кредитными картами Используемые модели: логистическая регрессия и NN Тип: проблема двоичного прогнозирования (подлинность - 0, мошенничество - 1)..
Классификация текста с помощью простых преобразователей
"Обработка естественного языка" Классификация текста с помощью простых преобразователей Решение проблемы классификации двоичного текста с помощью простых преобразователей Использование моделей Transformer никогда не было проще! Да, именно это говорит Simple Transformers автор Тилина Раджапаксе, и я согласна с ним, и вы должны. Возможно, вы видели длинный код с сотнями строк для реализации моделей трансформаторов, таких как BERT, RoBERTa и т. Д. Как только вы поймете, как..
Простейшая задача классификации машинного обучения с использованием классификатора k ближайших соседей
Задача - создать классификатор для классификации наборов данных о цветках ириса. В этом посте мы возьмем классификатор k-ближайших соседей из sklearn. Давай начнем… Первый шаг в любом проекте машинного обучения - получить набор данных. Здесь мы попытаемся классифицировать цветок ириса. Итак, нам нужен набор данных о цветках ириса. Пакет scikit-learn.dataset содержит несколько очень полезных наборов данных для задач классификации. Здесь мы загрузим этот набор данных из пакета..