bootstrap统计算法应用,哪些算法提供bootstrap _网络

bootstrap统计算法应用,哪些算法提供bootstrap在机器学习中，有一种叫做“没有免费的午餐”的定理。简而言之，它指出没有任何一种算法能够适用每一个问题，而且它对于监督式学习（即预测性建模）尤其重要。
例如，你不能说神经网络总是比决策树好，反之亦然。有很多因素在起作用，比如数据集的大小和结构。
因此，你应该为你的问题尝试许多不同的算法，同时使用数据的“测试集”来评估性能并选择胜出者。
当然，你尝试的算法必须适合你的问题，这就是选择正确的机器学习任务的地方。打一个比方，如果你需要清理你的房子，你可以使用真空吸尘器、扫帚或拖把，但是你不会用一个铲子来挖掘。
大的原则
然而，有一个共同的原则，即所有监督机器学习算法预测建模的基础。
机器学习算法被描述为学习一个目标函数，将输入变量（X）最佳映射到输出变量（Y）的目标函数（f）：Y = f（X）
这是一个通用的学习任务，我们希望在未来（Y）给出预测输入变量（X）的新例子。我们不知道函数（f）是什么样子或是它的形式。如果这样做，我们会直接使用它，不需要使用机器学习算法从数据中学习它。
最常见的机器学习类型是学习映射Y = f（X）来预测新的X 。这被称为预测建模或预测分析，我们的目标是使最准确的预测成为可能。
对于渴望了解机器学习基础知识的机器学习新手，请浏览数据科学家使用的前10位的机器学习算法。
线性回归可能是统计学和机器学习中最知名和最易理解的算法之一。
线性回归的表示是一个方程，通过找到称为系数（B）的输入变量的特定权重来描述最适合输入变量（x）和输出变量（y）之间关系的线。
【bootstrap统计算法应用,哪些算法提供bootstrap】例如：y = B0 + B1 * x
给定输入x，我们将预测y，线性回归学习算法的目标是找到系数B0和B1的值。
可以使用不同的技术从数据中学习线性回归模型，例如用于普通最小二乘和梯度下降优化的线性代数解。
线性回归已经存在了200多年，并且已经被广泛研究。如果可能的话，使用这种技术的一些经验法则是去除非常相似的变量（相关），并从数据中去除噪声。这是一个快速和简单的技术，也是一个好的算法。
逻辑回归是机器学习从统计领域借鉴的另一种技术。这是二进制分类问题的首选方法（有两个类值的问题）。
逻辑回归就像线性回归，因为目标是找出加权每个输入变量的系数值。与线性回归不同，输出的预测使用称为逻辑函数的非线性函数进行变换。
逻辑函数看起来像一个大S，并将任何值转换为0到1的范围。这是有用的，因为我们可以将规则应用到逻辑函数的输出，将值捕设为0和1（例如， IF小于0.5，则输出1）并预测一个类别值。
由于模型的学习方式，逻辑回归的预测也可以作为一个给定数据实例的概率，属于第0类或第1类。这对于需要为预测提供更多理由的问题很有用。
像线性回归一样，逻辑回归在删除与输出变量无关的属性以及非常相似（相关）的属性时效果更好。对于二元分类问题，这是一个快速学习和且有效的二元分类问题的模型。
Logistic回归是传统上仅限于两类分类问题的分类算法。如果你有两个以上的类，那么，线性判别分析算法是首选的线性分类技术。
LDA的表示非常简单。它由你的数据统计属性组成，为每个类别计算。对于单个输入变量，这包括：

特别声明：本站内容均来自网友提供或互联网，仅供参考，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系，我们将在24小时内删除。