特征工程 概念
特征工程是对原始数据进行变换与构造,以提升模型表达能力的过程。
大模型 · 万物互联 · 人工智能的结构化知识库。人人可阅读、可贡献、可追溯。
特征工程是对原始数据进行变换与构造,以提升模型表达能力的过程。
集成学习是结合多个基模型以提升整体性能与稳健性的机器学习策略。
主成分分析是通过线性变换将高维数据投影到低维且保留最大方差的方法。
朴素贝叶斯是基于特征条件独立假设与贝叶斯定理的分类算法。
K-Means 是将数据划分为 K 个簇、使簇内距离最小的经典聚类算法。
K近邻是一种基于样本间距离进行投票或平均的惰性监督学习算法。
梯度提升树是串行训练弱分类器、以梯度下降最小化损失的集成方法。
随机森林是由多棵决策树集成的 bagging 集成分类与回归模型。
支持向量机是寻找最大化类别间隔超平面的经典分类与回归模型。
决策树是以树形结构通过特征划分进行决策与预测的机器学习模型。
姿态估计是从图像或视频中定位人体关节等关键点并推断姿态的任务。
视觉Transformer 是将图像分块后用自注意力建模的视觉 backbone。
图像超分辨率是从低分辨率图像重建高分辨率细节的技术。
光学字符识别是将图像中的文字转换为可编辑文本的技术。
人脸识别是基于人脸图像自动进行身份鉴别的生物识别技术。