(4)VSM法VSM法即向量空间模型(VectorSpaceModel)法，由Salton等人于60年代末提出。这是**早也是**出名的信息检索方面的数学模型。其基本思想是将文档表示为加权的特征向量：D=D(T1，W1；T2，W2；…；Tn，Wn)，然后通过计算文本相似度的方法来确定待分样本的类别。当文本被表示为空间向量模型的时候，文本的相似度就可以借助特征向量之间的内积来表示。在实际应用中，VSM法一般事先依据语料库中的训练样本和分类体系建立类别向量空间。当需要对一篇待分样本进行分类的时候，只需要计算待分样本和每一个类别向量的相似度即内积，然后选取相似度比较大的类别作为该待分样本所对应的类别。由于VSM法中需要事先计算类别的空间向量，而该空间向量的建立又很大程度的依赖于该类别向量中所包含的特征项。根据研究发现，类别中所包含的非零特征项越多，其包含的每个特征项对于类别的表达能力越弱。因此，VSM法相对其他分类方法而言，更适合于专业文献的分类。 深度智谷深度人工智能学院图像滤波算法。安徽泰迪机器学习培训
非监督学习非监督学习中，给定的数据集没有“正确答案”，所有的数据都是一样的。无监督学习的任务是从给定的数据集中，挖掘出潜在的结构。举个栗子：我们把一堆猫和狗的照片给机器，不给这些照片打任何标签，但是我们希望机器能够将这些照片分分类。将不打标签的照片给机器通过学习，机器会把这些照片分为2类，一类都是猫的照片，一类都是狗的照片。虽然跟上面的监督学习看上去结果差不多，但是有着本质的差别：非监督学习中，虽然照片分为了猫和狗，但是机器并不知道哪个是猫，哪个是狗。对于机器来说，相当于分成了A、B两类。
第3步：选择一个工具选择一个可以用来提供机器学习结果的比较好工具。将您的过程映射到工具上，并学习如何***地使用它。我推荐的工具有三种：Weka机器学习工作台（适合初学者）。Weka提供了一个GUI界面，不需要代码。我用它来快速地解决一次性建模问题。Weka机器学习迷你课程Python生态系统（中级）。您可以在开发中使用相同的代码和模型，并且足够可靠，可以在操作中运行。Python机器学习迷你课程R平台（高级）。R是为统计计算而设计的，虽然语言比较深奥，而且一些软件包记录不完善，但它提供了大多数方法以及**的技术。R机器学习迷你课程我也有专业领域的建议：Keras深度学习。它使用Python，意味着您可以利用整个Python生态系统，节省大量时间。界面非常干净，同时也支持Theano和Keras，后端的功能非常强大。深度学习迷你课程XGBoost渐变提升。这是该技术**快的实现。它还支持R和Python，使您可以在项目中利用任一平台。XGBoost迷你课程学习如何使用选择的工具，研究它，精通它。什么是编程语言？编程语言并不重要。即使你使用的工具并不重要。通过问题学习的技能将轻松地从平台转移到平台。不过。
7.人工神经网络的优缺点人工神经网络的优点：分类的准确度高；并行分布处理能力强,分布存储及学习能力强，对噪声神经有较强的鲁棒性和容错能力，能充分逼近复杂的非线性关系；具备联想记忆的功能。人工神经网络的缺点：神经网络需要大量的参数，如网络拓扑结构、权值和阈值的初始值；不能观察之间的学习过程，输出结果难以解释，会影响到结果的可信度和可接受程度；学习时间过长,甚至可能达不到学习的目的。8、K-Means聚类之前写过一篇关于K-Means聚类的文章，博文链接：机器学习算法-K-means聚类。关于K-Means的推导，里面有着很强大的EM思想。优点算法简单，容易实现；对处理大数据集，该算法是相对可伸缩的和高效率的，因为它的复杂度大约是O(nkt)，其中n是所有对象的数目，k是簇的数目,t是迭代的次数。通常k<<n。这个算法通常局部收敛。算法尝试找出使平方误差函数值**小的k个划分。当簇是密集的、球状或团状的，且簇与簇之间区别明显时，聚类效果较好。缺点对数据类型要求较高，适合数值型数据；可能收敛到局部**小值，在大规模数据上收敛较慢K值比较难以选取；对初值的簇心值敏感，对于不同的初始值，可能会导致不同的聚类结果；不适合于发现非凸面形状的簇。 深度智谷深度人工智能学院机器学习前景。
5.决策树易于解释。它可以毫无压力地处理特征间的交互关系并且是非参数化的，因此你不必担心异常值或者数据是否线性可分（举个例子，决策树能轻松处理好类别A在某个特征维度x的末端，类别B在中间，然后类别A又出现在特征维度x前端的情况）。它的缺点之一就是不支持在线学习，于是在新样本到来后，决策树需要全部重建。另一个缺点就是容易出现过拟合，但这也就是诸如随机森林RF（或提升树boostedtree）之类的集成方法的切入点。另外，随机森林经常是很多分类问题的赢家（通常比支持向量机好上那么一丁点），它训练快速并且可调，同时你无须担心要像支持向量机那样调一大堆参数，所以在以前都一直很受欢迎。决策树中很重要的一点就是选择一个属性进行分枝，因此要注意一下信息增益的计算公式，并深入理解它。信息熵的计算公式如下:其中的n**有n个分类类别（比如假设是2类问题，那么n=2）。分别计算这2类样本在总样本中出现的概率p1和p2，这样就可以计算出未选中属性分枝前的信息熵。现在选中一个属性xixi用来进行分枝，此时分枝规则是：如果xi=vxi=v的话，将样本分到树的一个分支；如果不相等则进入另一个分支。很显然，分支中的样本很有可能包括2个类别。 深度智谷深度人工智能学院图像边界检测。福建基础机器学习培训
深度智谷深度人工智能学院拉普拉斯金字塔。安徽泰迪机器学习培训
第四步：数据集实操虽然有了系统化流程和相关工具，仍需要多加练习，方能生巧。在标准机器学习数据集上的实践。使用真实的数据集，从实际问题领域收集（而不是人为虚构的）。使用适合的内存或Excel电子表格的小型数据集。使用易于理解的数据集，以便了解期望的结果类型。练习不同类型的数据集，练习一些让你不喜欢的问题，因为你将不得不提高技术来获得解决方案。在数据问题中找出不同的特征，例如：不同类型的监督学习，如分类和回归。从数十，数百，数千和数百万个实例的不同大小的数据集。不到十个，几十个，几百个和几千个属性的不同数量的属性。来自实数，整数，分类，序数和混合的不同属性类型。不同的领域，迫使你迅速理解和了解一个你以前没有解决过的新问题。使用UCI机器学习库这些是**常用和比较好理解的数据集，也是比较好的开始。在这篇文章中了解更多：使用UCI机器学习库中的小型内存数据集练习机器学习使用机器学习比赛，如Kaggle这些数据集通常较大，需要更多的准备才能建模。有关您可以练习的很受欢迎的数据集列表，请参阅以下文章：真实世界的机器学习问题之旅对你自己的设计问题的实践收集有关您的重要机器学习问题的数据。 安徽泰迪机器学习培训
成都深度智谷科技有限公司是一家人工智能基础软件开发；人工智能教育服务；云计算装备技术服务；人工智能通用应用系统；企业管理咨询；技术服务、技术开发、技术咨询、技术交流、技术转让、技术推广；人工智能行业应用系统集成服务；互联网数据服务。的公司，致力于发展为创新务实、诚实可信的企业。深度智谷作为人工智能基础软件开发；人工智能教育服务；云计算装备技术服务；人工智能通用应用系统；企业管理咨询；技术服务、技术开发、技术咨询、技术交流、技术转让、技术推广；人工智能行业应用系统集成服务；互联网数据服务。的企业之一，为客户提供良好的人工智能培训，深度学习培训，AI培训，AI算法工程师培训。深度智谷继续坚定不移地走高质量发展道路，既要实现基本面稳定增长，又要聚焦关键领域，实现转型再突破。深度智谷始终关注教育培训行业。满足市场需求，提高产品价值，是我们前行的力量。
