{ "cells": [ { "cell_type": "markdown", "metadata": {}, "source": [ "
Введение в машинное обучение.
\n", "Вводятся понятие классификации на базе библиотек scikit-learn.\n", "Рассмотрены как минимум следующие классификаторы:\n", "svm (Support Vector Machine, метод опорных векторов) включая ядровый трюк,\n", "MLP (Multi-layer Perceptron, Многослойный перцептрон, нейронные сети),\n", "SGD (Stochastic Gradient Descent, Стохастический градиентный спуск)\n", "и\n", "RidgeClassifier (ridge classification, гребневый классификатор).\n", "В процессе изложения показано насколько важную роль играют параметры того или иного метода.\n", "
\n", "\n", "Это предварительная версия! Любые замечания приветсвуются.
" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "Задача классификации является частным случаем общей формулировке задачи машинного обучения показаной в самой первой заметке про регрессии. Так, в задаче лкассификации считается, что регрессия строится для конечного, при этом существенно небольшого колличества чисел.\n", "Фактически значения образуют дискретное множество или просто конечное множество объектов.\n", "Интерпретация такая. По признакам строится прогноз нечисловой, а элементу из множества.\n", "Например, по признакам (где обитает, сколько весит в взослом состоянии, сколько ног и так дале) определить животное.\n", "Или как в примере из прошлой заметке определить название цветка ириса." ] }, { "cell_type": "code", "execution_count": 1, "metadata": {}, "outputs": [], "source": [ "import numpy as np\n", "import scipy as sp\n", "import matplotlib.pyplot as plt\n", "%matplotlib inline" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "