Публикации по теме 'classification-algorithms'
Анализ физических данных ЭМГ: агрессивная и нормальная деятельность
В рамках регулярной задачи по улучшению своих навыков в области науки о данных и машинного обучения я использую генератор случайных ссылок на наборы данных для создания модели машинного обучения и размещаю руководство здесь и на мой GitHub . .
Итак, на этот раз набор данных, выбранный приведенным выше кодом, — это Набор данных физических действий EMG .
Небольшое описание набора данных:
Этот набор данных состоит из сигналов ЭМГ, записанных от 8 мышц; бицепсы и трицепсы рук,..
Объяснение логистической регрессии в машинном обучении
Что такое логистическая регрессия?
Логистическая регрессия — это тип модели машинного обучения. Из двух типов моделей машинного обучения (регрессия и классификация) это алгоритм классификации, хотя название указывает на то, что это модель регрессии.
Он получил свое название от логистической функции, которая является типом экспоненциальной функции. Эта функция характеризуется S-образной кривой (также известной как сигмовидная кривая).
Соответственно, модели логистической регрессии..
Кухонные роботы — Идентификация посуды с помощью глубокого обучения
Роботы быстро становятся инструментами, которые могут помочь нам выполнять значительное количество задач по дому, на производстве и в бизнесе. Они не только помогают нам выполнять опасные задачи, такие как удаление опасных отходов, но также могут с легкостью выполнять более рутинные задачи, освобождая нас для выполнения более важной работы.
Одной из задач, которая была бы полезна для роботов, была бы сортировка посуды и столовых приборов. У нас сортировка посуды и посуды может занять..
Логистическая регрессия - реализация с нуля
Логистическая регрессия - это алгоритм классификации. Логистическая регрессия состоит из логистической или сигмоидной функции для классификации классов на основе заданных данных. Чтобы узнать о Линейной регрессии , вы также можете посетить http://link.medium.com/o8drE5cyG4
Начнем процесс обучения пошагово с примера. Предположим, мы хотим обнаружить диабет независимо от того, есть ли у субъекта диабет или нет. Здесь у нас есть два класса, независимо от того, есть у субъекта диабет..