一圖感受各種機(jī)器學(xué)習(xí)算法

https://machinelearningmastery.com/

機(jī)器學(xué)習(xí)系列教程

從隨機(jī)森林開始，一步步理解決策樹、隨機(jī)森林、ROC/AUC、數(shù)據(jù)集、交叉驗(yàn)證的概念和實(shí)踐。

文字能說(shuō)清的用文字、圖片能展示的用、描述不清的用公式、公式還不清楚的寫個(gè)簡(jiǎn)單代碼，一步步理清各個(gè)環(huán)節(jié)和概念。

再到成熟代碼應(yīng)用、模型調(diào)參、模型比較、模型評(píng)估，學(xué)習(xí)整個(gè)機(jī)器學(xué)習(xí)需要用到的知識(shí)和技能。

1. 機(jī)器學(xué)習(xí)算法 - 隨機(jī)森林之決策樹初探（1）

2. 機(jī)器學(xué)習(xí)算法-隨機(jī)森林之決策樹R 代碼從頭暴力實(shí)現(xiàn)（2）

3. 機(jī)器學(xué)習(xí)算法-隨機(jī)森林之決策樹R 代碼從頭暴力實(shí)現(xiàn)（3）

4. 機(jī)器學(xué)習(xí)算法-隨機(jī)森林之理論概述

5. 隨機(jī)森林拖了這么久，終于到實(shí)戰(zhàn)了。先分享很多套用于機(jī)器學(xué)習(xí)的多種癌癥表達(dá)數(shù)據(jù)集 https://file.biolab.si/biolab/supp/bi-cancer/projections/。

6. 機(jī)器學(xué)習(xí)算法-隨機(jī)森林初探（1）
   

7. 機(jī)器學(xué)習(xí) 模型評(píng)估指標(biāo) - ROC曲線和AUC值

8. 機(jī)器學(xué)習(xí) - 訓(xùn)練集、驗(yàn)證集、測(cè)試集

9. 機(jī)器學(xué)習(xí) - 隨機(jī)森林手動(dòng)10 折交叉驗(yàn)證

10. 一個(gè)函數(shù)統(tǒng)一238個(gè)機(jī)器學(xué)習(xí)R包，這也太贊了吧

11. 基于Caret和RandomForest包進(jìn)行隨機(jī)森林分析的一般步驟 （1）

12. Caret模型訓(xùn)練和調(diào)參更多參數(shù)解讀(2)

13. 機(jī)器學(xué)習(xí)相關(guān)書籍分享

14. 基于Caret進(jìn)行隨機(jī)森林隨機(jī)調(diào)參的4種方式

15. 送你一個(gè)在線機(jī)器學(xué)習(xí)網(wǎng)站，真香！

16. UCI機(jī)器學(xué)習(xí)數(shù)據(jù)集

17. 機(jī)器學(xué)習(xí)第17篇 - 特征變量篩選（1）

18. 機(jī)器學(xué)習(xí)第18篇 - 基于隨機(jī)森林的Boruta特征變量篩選（2）

19. 機(jī)器學(xué)習(xí)系列補(bǔ)充：數(shù)據(jù)集準(zhǔn)備和更正YSX包

20. 機(jī)器學(xué)習(xí)第20篇 - 基于Boruta選擇的特征變量構(gòu)建隨機(jī)森林

21.  機(jī)器學(xué)習(xí)第21篇 - 特征遞歸消除RFE算法 理論

22. RFE篩選出的特征變量竟然是Boruta的4倍之多

23. 更多特征變量卻未能帶來(lái)隨機(jī)森林分類效果的提升