专栏介绍
1.专栏面向零基础或基础较差的机器学习入门的读者朋友,旨在利用实际代码案例和通俗化文字说明,使读者朋友快速上手机器学习及其相关知识体系。
2.专栏内容上包括数据采集、数据读写、数据预处理、分类\回归\聚类算法、可视化等技术。
3.需要强调的是,专栏仅介绍主流、初阶知识,每一技术模块都是AI研究的细分领域,同更多技术有所交叠,此处不进行讨论和分享。
- 数据采集技术:selenium/正则匹配/xpath/beautifulsoup爬虫实例
- 面向txt/json/xlsx/csv的文件读写及编码问题
- 数据预处理:统计关联性分析/数据清洗/数据增强/特征工程实例
- 一文带你入门机器学习回归算法
- 一文带你入门机器学习分类算法
- 一文带你入门机器学习聚类算法
- 一文带你入门机器学习降维算法
- 一文带你入门机器学习超参数优化算法
——————————————————————————————————————————
文章目录
- 专栏介绍
- 概述
- 网格搜索 (Grid Search)
- 随机搜索 (Random Search)
- 超参数优化库
- Hyperopt
- Optuna
- 其他
——————————————————————————————————————————
概述
在机器学习领域,模型参数与超参数构成了算法的关键组成部分。模型参数是指那些通过训练过程,依据训练数据集自动调整的参数,它们是模型内部学习结果的直接体现。相对而言,超参数则是在训练过程启动之前,由研究者或实践者手动设定的参数集合
,它们不是基于数据直接学习得到的。例如,在决策树算法中设定的最大深度、支持向量机中选择的具体核函数、以及神经网络中的学习率与隐藏层单元数量等,均属于超参数范畴。