文本分类实现步骤： 定义阶段：定义数据以及分类体系，具体分为哪些类别，需要哪些数据 数据预处理：对文档做分词、去停用词等准备工作 数据提取特征：对文档矩阵进行降维、提取训练集中最有用的特征 模型训练阶段：选择具体的分类模型以及算法，训练出文本分类器 评测阶段：在测试集上测试 ...

1.机器学习的主要任务：一是将实例数据划分到合适的分类中，即分类问题。 而是是回归， 它主要用于预测数值型数据，典型的回归例子：数据拟合曲线。 2.监督学习和无监督学习： 分类和回归属于监督学习，之所以称之为监督学习，是因为这类算法必须直到预测什么，即目标变量的分类信息。 对于无 ...

分类评估方法 精确率与召回率 混淆矩阵：在分类任务下，预测结果(Predicted Condition)与正确标记(True Condition)之间存在四种不同的组合，构成混淆矩阵(适用于多分类)。如下图 精确率(Precision)与召回率(Recall) 精确率：预测 ...

转自：http://blog.csdn.net/starzhou/article/details/72614795 在本教程中，作者对现代机器学习算法进行一次简要的实战梳理。虽然类似的总结有很多，但是它们都没有真正解释清楚每个算法在实践中的好坏，而这正是本篇梳理希望完成的。因此本文力图基于实践中 ...

一、概念 分类：通过训练集训练出来一个模型，用于判断新输入数据的类型，而在训练的过程中，一定需要有标签的数据，即训练集本身就带有标签。简单来说，用已知的数据来对未知的数据进行划分。这是一种有监督学习。 聚类：对于一组数据，你根本不知道数据之间的关系，不知道他们是否属于同一类，抑或属于不同类 ...

http://www.cnblogs.com/tornadomeet/p/3395593.html 朴素贝叶斯的优点： 　　对小规模的数据表现很好，适合多分类任务，适合增量式训练。 　　缺点： 　　对输入数据的表达形式很敏感。 决策树的优点： 　　计算量简单，可解释性强，比较适合处理 ...

1.决策树算法 　　决策树是一种树形分类结构，一棵决策树由内部结点和叶子结点构成，内部结点代表一个属性（或者一组属性），该结点的孩子代表这个属性的不同取值；叶子结点表示一个类标。决策树保证每一个实例都能被一条从根结点到叶子结点的路径覆盖，叶子结点就是这条实例对应的类别，遍历这条路径的过程 ...

回归与分类的不同 #导入回归from sklearn.ensemble import RandomForestRegressor#导入分类from sklearn.ensemble import RandomForestClassifier 1.回归问题的应用场景（预测的结果是连续的，例如预测 ...