《Python大规模机器学习》 —3.6小结
【摘要】 本节书摘来自华章计算机《Python大规模机器学习》 一书中第3章,第3.6节,作者是[荷]巴斯蒂安·贾丁(Bastiaan Sjardin)[意]卢卡·马萨罗(Luca Massaron)[意]阿尔贝托·博斯凯蒂(Alberto Boschetti),王贵财 刘春明 译。
3.6小结
在本章中,我们讨论了通过将SVM添加到简单的基于回归的线性模型来扩展一开始介绍的非核心算法。大多数时候,我们专注于Scikit-learn实现(主要是SGD),并在最后介绍了能与Pythons 脚本集成的外部工具,比如John Langford的Vowpal Wabbit。在此过程中,我们通过讨论蓄水池采样、正则化、显式和隐式非线性转换以及超参数优化,对模型改进和验证技术进行概述。
在下一章中,将介绍更复杂、更强大的学习方法,同时给出适应于大规模问题的深度学习和神经网络方法。如果你的项目主要是分析图像和声音,那么到目前为止你看到的内容可能还不能满足你的需求,下一章将提供这样的内容。
【版权声明】本文为华为云社区用户转载文章,如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容,举报邮箱:
cloudbbs@huaweicloud.com
- 点赞
- 收藏
- 关注作者
评论(0)