最近參加了機器學習 百日馬拉松的活動，單純記錄下這100天python機器學習中每日覺得最有收穫的地方，如果有想參加這活動的朋友，真心推薦參加！此次機器學習-百日馬拉松的相關代碼放置於：https://github.com/hsuanchi/ML-100-days 相關文章：[百日馬拉松] 機器學習-資料清理https://www.maxlist.xyz/2019/03/03/ml_100days/ 一. 標籤編碼 ( Label Encoding ) 類似於流⽔號，依序將新出現的類別依序編上新代碼，已出現的類別編上已使⽤的代碼 確實能轉成分數，但缺點是分數的⼤⼩順序沒有意義 二. 獨熱編碼 ( One Hot Encoding ) 為了改良數字⼤⼩沒有意義的問題，將不同的類別分別獨立為⼀欄 […]
閱讀全文
最近參加了機器學習 百日馬拉松的活動，單純記錄下這100天python機器學習中每日覺得最有收穫的地方，如果有想參加這活動的朋友，真心推薦參加！ 此次機器學習-百日馬拉松的相關代碼放置於：https://github.com/hsuanchi/ML-100-days 機器學習相關延伸閱讀： [百日馬拉松] 機器學習-特徵工程 15-30days [數據分析] 如何利用 Google Trend(搜尋趨勢)+機器學習 挑選爆款商品 [數據分析] 如何利用Google商家進行分析和優化 ㄧ. 損失函數 MSE & MAE: 機器學習大部分的算法都有希望最佳化損失函數 (損失函數 = y表示實際值 – ŷ表示預測值) 1.回歸常用的損失函數: * 均方誤差(Mean squar […]
閱讀全文
Apriori演算法原理 思考路徑： A priori在拉丁語中指「來自以前」，Apriori是經典的挖掘資料關聯性演算法，採用迭代的方法先搜索出第一項集的各Item支持度，並剪去低於最小支持度的第一項集，得到第二項集後再剪去低於最小支持度的第二項集，依次類推下去直到無法找到項集為止。 Apriori定律1： 假設一個集合{A,B}大於等於最小支持度(Min_Support)，則他的子集{A},{B}出現次數必定大於等於最小支持度(Min_Support) Apriori定律2： 假設集合{A}出現次數小於最小支持度(Min_Support)，則他的任何集合如{A,B}出現的次數必定小於最小支持度(Min_Support) 評估指標 1. 支持度(Support)： 支持 […]
閱讀全文