Data Science

【機器學習 09】Aggregation Models — Part 3— Adaptive Boosting、Gradient Boosting

在 Part 1中，我們介紹兩種 aggregation 方法：

1. 在得到 gₜ 之後才做 aggregation，不會修改原本模型，只是藉由不同的模型選擇、結合方式，以決定最終結果。
   其中依照結合方式的不同，可分為 uniform blending、linear blending 和 non-linear blending。

【機器學習 08】Aggregation Models — Part 2 — Decision Tree 和 Random Forest

Decision tree

Decision tree 是一種很基礎的演算法，基本邏輯是直接依照資料特性切分，建立子樹，並持續切割。

DecisionTree(Dc):

if termination criteria met…

【機器學習 07】Aggregation Models — Part 1 — Blending, Bootstrap aggregation, Boosting

此系列文章是參考自林軒田老師的機器學習基石與技法之課程筆記。

在我們認識許多不同模型後，是否有方法能夠混合這些模型，得到更好的表現呢？有的，就是本篇和下篇文章要介紹的 aggregation models。

【機器學習 06】Support Vector Machine — Part 2— Kernel Support Vector Machine & Soft-Margin Support Vector Machine

【機器學習 05】Support Vector Machine — Part 1 — Linear Support Vector Machine & Dual Support Vector Machine

【機器學習 04】機器要如何學得更好？Part 2 — Regularization

在上篇我們介紹了 nonlinear transformation、overfitting 和 validation，在本篇文章中讓我們一起來認識…

【機器學習 02】Logistic Regression

前一篇在討論 linear regression，但是此方法的問題是，如果加入 outliers，原本的 linear regression 為了降低 error，會需要調整位置，反而不能正確分出原本正確的類別。

【機器學習 03】機器要如何學得更好？Part 1

在本篇文章中，我們會提到如何幫助機器學得更好的一些技巧，分別為·：

• Nonlinear Transformation

[R] 下載並讀取資料 — read.xlsx(), XML

Coursera — Getting and Cleaning Data 的整理筆記

下載資料