Правила:
- один классификатор за ответ
- голосовать, если вы согласны
- уменьшить / удалить дубликаты.
- оставьте заявку в комментарии
machine-learning
classification
application
Łukasz Lew
источник
источник
Логистическая регрессия :
источник
Машина опорных векторов
источник
Регуляризованный дискриминант для контролируемых задач с зашумленными данными
Ссылка на оригинальную статью 1989 года Фридмана и др. Здесь . Также есть очень хорошее объяснение Кунчевой в ее книге « Объединение шаблонных классификаторов ».
источник
Градиентные деревья.
источник
Классификатор гауссовских процессов - он дает вероятностные прогнозы (что полезно, когда ваши относительные рабочие частоты классов отличаются от тех, что указаны в вашем учебном наборе, или эквивалентны вашим ложноположительным / ложноотрицательным затратам, неизвестным или переменным) Это также дает указание на неопределенность в предсказаниях модели из-за неопределенности в «оценке модели» из конечного набора данных. Функция ковариации эквивалентна функции ядра в SVM, поэтому она также может работать непосредственно с не векторными данными (например, строками или графиками и т. Д.). Математическая структура также аккуратна (но не используйте приближение Лапласа). Автоматический выбор модели через максимизацию предельной вероятности.
По сути сочетает в себе хорошие функции логистической регрессии и SVM.
источник
L1-регуляризованная логистическая регрессия.
источник
Knn
источник
Наивный Байес и Случайные Наивные Бухты
источник
K-означает кластеризацию для обучения без учителя.
источник