Zasady:
- jeden klasyfikator na odpowiedź
- głosuj, jeśli się zgadzasz
- przegłosuj / usuń duplikaty.
- umieść swoją aplikację w komentarzu
Zasady:
Odpowiedzi:
Regularny dyskryminator dla nadzorowanych problemów z zaszumionymi danymi
Link do oryginalnej pracy z 1989 roku autorstwa Friedmana i in . Tutaj . Również bardzo dobre wyjaśnienie Kunchevy w jej książce „ Łączenie klasyfikatorów wzorców ”.
Drzewa wzmocnione gradientem.
Klasyfikator procesu Gaussa - daje prognozy probabilistyczne (przydatne, gdy częstotliwości operacyjne względnych klas różnią się od tych w zestawie treningowym lub równoważne są fałszywie dodatnie / fałszywie ujemne koszty są nieznane lub zmienne). Zapewnia on również zniesienie niepewności w prognozach modelu z powodu niepewności w „szacowaniu modelu” na podstawie skończonego zestawu danych. Funkcja współwariancji jest równoważna funkcji jądra w SVM, więc może również działać bezpośrednio na danych niewektorowych (np. Łańcuchy lub wykresy itp.). Matematyczne ramy są również czyste (ale nie używaj aproksymacji Laplace'a). Zautomatyzowany wybór modelu poprzez maksymalizację marginalnego prawdopodobieństwa.
Zasadniczo łączy dobre cechy regresji logistycznej i SVM.
Regresja logistyczna regulowana przez L1.
K-oznacza grupowanie dla uczenia się bez nadzoru.