Quy tắc:
- một phân loại cho mỗi câu trả lời
- bỏ phiếu nếu bạn đồng ý
- downvote / loại bỏ trùng lặp.
- đưa ứng dụng của bạn vào bình luận
Quy tắc:
Câu trả lời:
Phân biệt đối xử thường xuyên cho các vấn đề được giám sát với dữ liệu ồn ào
Liên kết đến bài báo gốc năm 1989 của Friedman et al tại đây . Ngoài ra, có lời giải thích rất hay của Kuncheva trong cuốn sách " Kết hợp các phân loại mẫu ".
Cây tăng cường Gradient.
Trình phân loại quy trình Gaussian - nó đưa ra dự đoán xác suất (rất hữu ích khi tần số lớp tương đối hoạt động của bạn khác với tần số trong tập huấn luyện của bạn, hoặc tương đương với chi phí âm / dương / giả của bạn là không xác định hoặc biến đổi). Nó cũng cung cấp một sự suy diễn về tính không chắc chắn trong các dự đoán mô hình do tính không chắc chắn trong "ước tính mô hình" từ một bộ dữ liệu hữu hạn. Hàm co-variance tương đương với hàm kernel trong một SVM, do đó, nó cũng có thể hoạt động trực tiếp trên dữ liệu không theo vectơ (ví dụ: chuỗi hoặc biểu đồ, v.v.). Khung toán học cũng gọn gàng (nhưng không sử dụng xấp xỉ Laplace). Lựa chọn mô hình tự động thông qua tối đa hóa khả năng cận biên.
Về cơ bản kết hợp các tính năng tốt của hồi quy logistic và SVM.
Hồi quy logistic thường xuyên L1.
K-có nghĩa là phân cụm cho việc học tập không giám sát.