[机器学习笔记(三)]保存加载模型的几种方式
模型的保存和加载 训练一个相对复杂的模型很有可能需要一段时间，如果是在专门的服务器或计算资源上进行训练那放那里跑就行了。但是如果是在自己的小电脑上跑，就干等着，就可能这段时间电脑都用不了。万一期间要做个其他实验，或者单纯打个游戏放松下就难受了。 好在TensorFlow提供了训练期间和训练后 ...
相关推荐
机器学习模型为什么要将特征离散化
在学习机器学习中，看过挺多案例，看到很多人在处理数据的时候，经常把连续性特征离散化。为此挺好奇，为什么要这么做，什么情况下才要做呢。 一、离散化原因 数据离散化是指将连续的数据进行分段，使其变为一段段离散化的区间。分段的原则有基于等距离、等频率或优化的方法。数据离散化的原因主要有 ...
机器学习模型为什么要将特征离散化
我在刷Kaggle时发现一个问题。很多人在处理数据的时候，经常把连续性特征离散化。对此我感到很好奇，所以上网搜了一些总结，主要内容来自知乎连续特征的离散化：在什么情况下将连续的特征离散化之后可以获得更好的效果？ 这个是严林的回答 在工业界，很少直接将连续值作为逻辑回归模型的特征输入，而是将连续 ...
二、机器学习模型评估
二、机器学习模型评估 2.1 模型评估：基本概念 错误率(Error Rate) 预测错误的样本数a占样本总数的比例m \[E=\frac{a}{m} \] 准确率(Accuracy) 准确率=1-错误率准确率=1−错误率 误差 ...
机器学习之模型评估
'没有测量，就没有科学'这是科学家门捷列夫的名言。在计算机科学特别是机器学习领域中，对模型的评估同样至关重要，只有选择与问题相匹配的评估方法，才能快速地发现模型选择或训练过程中出现的问题，迭代地对模型进行优化。模型评估主要分为离线评估和在线评估两个阶段。针对分类、排序、回归、序列预测等不同类 ...
机器学习经典模型
： 划分方法： Discretization 连续数据离散化： Gini ...
机器学习之线性模型
概念储备： （The least square method）和（least square error） 狭义的最小二乘方法，是线性假设下的一种有闭式解的参数 ...
主题模型--机器学习
摘要： 两篇文档是否相关往往不只决定于字面上的词语重复，还取决于文字背后的语义关联。对语义关联的挖掘，可以让我们的搜索更加智能化。本文着重介绍了一个语义挖掘的利器：主题模型。主题模型是对文字隐含主题进行建模的方法。它克服了传统信息检索中文档相似度计算方法的缺点，并且能够在海量 ...