Reglas:
- un clasificador por respuesta
- vota si estás de acuerdo
- Votar a favor / eliminar duplicados.
- pon tu solicitud en el comentario
Reglas:
Respuestas:
Discriminante regularizado por problemas supervisados con datos ruidosos
Enlace al documento original de 1989 de Friedman et al aquí . Además, hay muy buena explicación de Kuncheva en su libro " Combinando clasificadores de patrones ".
Gradiente impulsado árboles.
Clasificador de proceso gaussiano : proporciona predicciones probabilísticas (lo cual es útil cuando las frecuencias de clase relativa operativa difieren de las de su conjunto de entrenamiento, o de manera equivalente, sus costos falsos positivos / falsos negativos son desconocidos o variables). También proporciona una indicación de la incertidumbre en las predicciones del modelo debido a la incertidumbre en la "estimación del modelo" a partir de un conjunto de datos finito. La función de covarianza es equivalente a la función del núcleo en un SVM, por lo que también puede funcionar directamente en datos no vectoriales (por ejemplo, cadenas o gráficos, etc.). El marco matemático también es ordenado (pero no use la aproximación de Laplace). Selección de modelo automatizada mediante la maximización de la probabilidad marginal.
Esencialmente combina buenas características de regresión logística y SVM.
Regresión logística regularizada L1.
K-significa agrupamiento para el aprendizaje no supervisado.