Любые инструменты могут помочь распознать шаблон распределения данных, а затем принять решение о выборе алгоритмов ML?Как сделать исследование данных перед выбором любого алгоритма машинного обучения
ответ
Во-первых, вы должны понимать Машиноведение как поле и иметь некоторое понимание его подполей. Если вы не интуитивно понимаете свои инструменты, вы не сможете определить, когда их использовать.
Идея, о которой вы говорите, называется поисковым анализом данных, и она может быть очень доступной, если вы подумаете об этом правильно. Подумайте об этом с точки зрения научного метода:
Прежде всего, просмотрите данные и любую документацию об этом.
Затем придите к некоторым гипотезам о шаблонах, которые могут существовать.
Основываясь на вашем понимании ML, мозговой штурм несколько подходов, которые могут дать некоторое представление о ваших гипотезах. Например, если вы видите, что предлагаемое зависимое значение может иметь несколько различных значений, у вас есть проблема классификации, и на основе ваших входных данных вы должны выбрать подходящий подход.
Инструменты, которые могут оказаться полезными, многочисленны, но хорошим началом может быть язык программирования R или Python. Оба являются очень сильными инструментами для научных исследований. R имеет большую кривую обучения, но построена с учетом данных. С другой стороны, Python очень легко подобрать, но у вас есть больше возможностей сделать это в отношении библиотек DL и библиотек данных. С Python загляните в Pandas для CSV и обработки данных, и Tensorflow, Theano или Scikit-Learn для анализа данных и ML.
Надеюсь, это поможет!
- 1. Предложение алгоритма машинного обучения?
- 2. Выбор алгоритма машинного обучения
- 3. Статистическое сравнение алгоритма машинного обучения
- 4. Как объединить два выхода алгоритма машинного обучения?
- 5. Как повысить эффективность контролируемого алгоритма машинного обучения
- 6. Поезд MFCC с использованием машинного алгоритма обучения
- 7. Получить отрицательные результаты от алгоритма машинного обучения
- 8. Выбор алгоритма машинного обучения для базового уровня
- 9. использования Функции для машинного обучения алгоритма
- 10. Предварительная обработка данных машинного обучения
- 11. Оценка алгоритмов машинного обучения
- 12. Преобразование данных для машинного обучения
- 13. Как использовать SIFT/SURF как функции для алгоритма машинного обучения?
- 14. Как обновлены модели машинного обучения?
- 15. Масштабирование машинного обучения
- 16. Точность машинного обучения 0
- 17. Сентиментальный анализ твитов в python с использованием алгоритма машинного обучения
- 18. Различные размеры моделей машинного обучения?
- 19. Классификация рентгеновского изображения с использованием машинного обучения
- 20. извлечение параметров из машинного обучения
- 21. Что такое метрики для оценки алгоритма машинного обучения
- 22. простой машинного обучения программа
- 23. Обзор машинного обучения
- 24. Создание словаря функций для алгоритма машинного обучения Python (наивные байки)
- 25. комплексов машинного обучения применение
- 26. Требуется стратегия машинного обучения
- 27. Обфускация конфиденциальных данных для машинного обучения
- 28. Модель машинного обучения экспорта
- 29. Среда разработки машинного обучения
- 30. Образцы машинного обучения
Спасибо! BTW Я буду исследовать Apache Zeppelin – Grant