| 决策树 本章主要讲了决策树学习算法的三个部分：特征选择、树的生成方式和树的剪枝以及三种决策树算法：ID3、C4.5、CART Tips:决策树的东西比较多（这章啃了一个星期才啃完 (lll￢ω￢)），我们平时使用的sklearn里面的决策树用的就是CART算法，所以这章的重点就在于CART的两种树模型（回归树、分类树），ID3和C4.5可作为了解: 
凹脑图在线浏览地址：决策树
逻辑斯蒂回归模型逻辑斯蒂回归模型是经典的分类学习器，在二分类的监督问题上分类效果非常好，其经典之处就在于LR的分布函数-sigmoid函数: 
思维导图在线浏览地址：逻辑斯蒂回归模型
最大熵模型与最优化算法最大熵模型目前应用在NLP上比较多，本章的最大熵模型的内容与数学推导公式比较多，大家可以选择自己想要了解的地方去了解就行: 
思维导图在线浏览地址：最大熵模型与最优化算法
线性可分支持向量机在机器学习的学习之路上，SVM是ML童鞋们在分类问题上一定会遇到的一个学习方法，SVM这一章将SVM按训练数据的线性可分性分为由简到繁分为三种模型：线性可分支持向量机(linner support vector machine in linearly separable case)、线性支持向量机(linear support vector machine)以及非线性支持向量机(non-linear support vector)。在实际工程中，面对不同规模的数据集时，在小型数据集上，SVM有时仅需小量的训练数据，就可以得到比较好的训练结果，而这正是因为SVM的特性-支持向量，下面通过思维导图先简单介绍下SVM： 
线性可分支持向量机：  思维导图在线浏览地址：线性可分支持向量机
思维来自《统计学习方法》-李航 欢迎前往我的个人小站：www.wengjj.ink 才学疏浅，欢迎评论指导 ]]> 原文： https://ift.tt/2LyofoI |  | 机器知心 |  |  |
没有评论:
发表评论