Публикации по теме 'classification'
Логистическая регрессия: руководство для начинающих
Логистическая регрессия — это статистический метод, используемый для моделирования вероятности возникновения события на основе одной или нескольких независимых переменных. Это широко используемый метод в задачах классификации, где цель состоит в том, чтобы предсказать категорический результат (например, «да» или «нет», «0» или «1»).
В этой статье мы рассмотрим основы логистической регрессии и способы ее применения в реальных сценариях.
Что такое логистическая регрессия?
Логистическая..
Мягкое голосование: байесовский стиль
Новый способ совместить продукцию разных моделей
Фон
Существует множество моделей машинного обучения, которые можно использовать для решения задач контролируемого обучения. К ним относятся: линейная / логистическая регрессия, k-ближайшие соседи, деревья решений, случайные леса, машины опорных векторов и другие. Какой лучше использовать? Разные модели лучше всего подходят для разных задач, и часто лучшая модель - это какая-то умная комбинация этих моделей.
Голосование модели
Для..
Полезность машинного обучения в диагностическом здравоохранении
В последнее десятилетие наблюдается значительный рост применения ИИ и машинного обучения в области медицины. Тем не менее, этичность, надежность и пригодность этих инструментов должны быть тщательно рассмотрены, если они должны заменить существующие традиционные подходы. Здесь я рассмотрю 3 способа, которыми машинное обучение может принести пользу здравоохранению:
1. Переопределение и обоснование порогов риска заболеваний и расстройств
В настоящее время при диагностике многие..
Понимание softmax, кросс-энтропии и KL-дивергенции
Допустим, у меня есть классификатор для классификации кошек, собак и свиней. Есть много возможных способов реализации этого. Но самый простой способ — отдельно обучить три функции оценки: f ᶜᵃᵗ(⋅), f ᵈᵒᵍ(⋅) и f ᵖᶦᵍ(⋅). и классифицировать ввод в класс с наивысшим баллом. Например, при вводе x мы классифицируем x как кошку, если f ᶜᵃᵗ( x )› f ᵈᵒᵍ( x ) и f ᶜᵃᵗ( x )› f ᵖᶦᵍ( х ).
Этот тип классификатора принимает жесткое -решение для каждого входа. Вне зависимости от того,..
Взгляд на математику, стоящую за линейной классификацией
Бинарная и мультиклассовая классификация, границы решений, дискриминантные функции и kNN
Введение
Эта статья является продолжением нескольких ранее опубликованных статей, первая из которых представляет собой введение в мир машинного обучения, а вторая знакомит с математическими понятиями и обозначениями линейной регрессии. Некоторые ключевые неопределенные термины здесь были определены в предыдущих статьях, поэтому я настоятельно рекомендую ознакомиться с ними...
🔥Поджог или поджог? Классификация твитов о стихийных бедствиях, часть вторая: разработка и выбор стартовых функций
Резюме части 1
В Часть 1 мы:
Посмотрел проблему Kaggle Импортировал данные с помощью Pandas Посмотрел высокоуровневую статистику нашего набора данных Проверено на дисбаланс классов Внимательно изучил функцию Keyword
План для части 2
Теперь хорошо:
Посмотрите на функцию Location Символ твита и длина токена Используйте U-критерий Манна-Уитни для выбора признаков
Часть 1: Исследование данных
Часть 2: Начало разработки и выбора функций — вы здесь!..
Концепции, категории и классы кодирования для нейронных сетей
В предыдущем посте мы объяснили, как нейронные сети работают для прогнозирования непрерывной ценности (например, цены дома) на основе нескольких характеристик. Один из вопросов, который мы получили, заключается в том, как нейронные сети могут кодировать концепции, категории или классы. Например, как нейронные сети могут преобразовать количество пикселей в ответ "правда / ложь", независимо от того, есть ли на изображении кошка?
Во-первых, вот несколько наблюдений:
Проблема..