Zasady:
- jeden klasyfikator na odpowiedź
- głosuj, jeśli się zgadzasz
- przegłosuj / usuń duplikaty.
- umieść swoją aplikację w komentarzu
machine-learning
classification
application
Łukasz Lew
źródło
źródło
Regresja logistyczna :
źródło
Maszyna wektorów nośnych
źródło
Regularny dyskryminator dla nadzorowanych problemów z zaszumionymi danymi
Link do oryginalnej pracy z 1989 roku autorstwa Friedmana i in . Tutaj . Również bardzo dobre wyjaśnienie Kunchevy w jej książce „ Łączenie klasyfikatorów wzorców ”.
źródło
Drzewa wzmocnione gradientem.
źródło
Klasyfikator procesu Gaussa - daje prognozy probabilistyczne (przydatne, gdy częstotliwości operacyjne względnych klas różnią się od tych w zestawie treningowym lub równoważne są fałszywie dodatnie / fałszywie ujemne koszty są nieznane lub zmienne). Zapewnia on również zniesienie niepewności w prognozach modelu z powodu niepewności w „szacowaniu modelu” na podstawie skończonego zestawu danych. Funkcja współwariancji jest równoważna funkcji jądra w SVM, więc może również działać bezpośrednio na danych niewektorowych (np. Łańcuchy lub wykresy itp.). Matematyczne ramy są również czyste (ale nie używaj aproksymacji Laplace'a). Zautomatyzowany wybór modelu poprzez maksymalizację marginalnego prawdopodobieństwa.
Zasadniczo łączy dobre cechy regresji logistycznej i SVM.
źródło
Regresja logistyczna regulowana przez L1.
źródło
kNN
źródło
Naive Bayes i Random Naive Bays
źródło
K-oznacza grupowanie dla uczenia się bez nadzoru.
źródło