预告:

David 9 最近翻到收藏已久的链接: 卡耐基梅隆大学机器学习专业 历年最佳论文 . 其中包括3大部分:

1. “经过时间考验奖”(Test of Time Awards)
2. “最佳学位论文”(Dissertation Awards)
3. “最佳与亚军论文奖”(Best Paper and Runner up Awards)

David 9打算就其中有意思的内容和杰出的贡献, 做几期博客分析, 敬请期待. 继续阅读系列论文分析预告—卡耐基梅隆大学 机器学习专业 历年最佳论文

林子大了，什么“树”都有 ！

最近神经网络被学界和业界都玩坏了。之前David 9也跟风一连几篇神经网络的文章。神经网络确实到了一个新高度，其他机器学习算法在目前甚至十年以内显得黯然失色。

但是，David 9不希望大家错过其他也很棒的机器学习算法比如随机森林。虽然不如神经网络在某些领域光芒万丈，随机森林因为其方便快捷的使用，以及训练模型的简单，目前依旧深受许多数据科学家的喜爱。

如果你的老板有一堆数据，想做数据挖掘，想找一点“高大上”的算法而且容易实现，选随机森林吧。不仅比神经网络门栏低，而且对于大多数情况的数据形式，都是可以训练的。而且，有时结果好的让你惊讶。

随机森林是集成学习中的一种算法。下面这张图带大家回顾集成学习:

之所以叫做随机森林，很明显，这个模型是通过许多决策树集成学习而来的。集成学习是啥？如果你还不知道，请看我们之前的博客：“#3 集成学习–机器学习中的群策群力 !”和“聊聊集成学习和”多样性”, “差异性”的那些事儿~”。 继续阅读#10 随机森林101—用人话解释随机森林，用python使用随机森林

机器学习中经常会碰到“损失函数”,“成本函数”, 和“目标函数”。许多初学者会被这些概念搞晕。事实上，“损失函数”和“成本函数”在很多地方都会混用（甚至有人叫它们“错误函数”）。但是也有细微的差别。

差别1：

“损失函数”比“成本函数”更加宽泛。“损失函数”可以是一个点上的损失，也可以是整个数据集上的损失。而，“成本函数”一般是数据集上总的成本和损失。

差别2：

“成本函数”比“损失函数”更加复杂。“成本函数”可以比损失函数有更复杂的组合和计算，“成本函数”可以加上正则化项。如下：

继续阅读损失函数, 成本函数, 目标函数 的区别