小米手机指南针APP的海拔高度是怎么算的？

试试语音读文章

热门回答：

算法原理集成学习（ensemble leaning）通过构建并结合多个学习器来完成学习任务。通过将多个学习器结合。常常可以获得比单一学习器显著优越的效果和泛化能力。集成学习中的基学习器可以是同质的。也可以是异质的。根据个体学习器的生成方式。目前的集成学习方法大致可分为三大类：一类是Bagging。个体学习器之间不存在强依赖关系。可以同时并行化训练和生成。最终结果通常通过投票机制产出。随机森林是这一类型的代表；另一类是Boosting。个体学习器之间存在强依赖关系。后一学习器依赖前一学习器的结果。。因此必须以序列化形式串行生成。我们下节会讲到的Adaboost和GBDT是这一类型的代表；其实还有第三类。叫Stacking。即将初级学习器的输出次级学习器的输入特征。深层神经网络甚至可以理解为Stacking集成学习的变种。

随机森林（Random Forest）是以决策树为基学习器构建的Bagging集成学习算法。其实现简单、计算开销小、并且在很多现实任务中表现出抢眼的效果。其主要通过样本扰动和属性扰动使得集成学习的泛化性显著提高。样本扰动是指通过对初始训练集采样构建每一棵决策树；属性扰动是指对基决策树的每个节点。分裂时从该节点的属性集合中随机选择k个属性（k一般去log(d,2)。d为属性数量）。

模型训练代码地址：https://github.com/qianshuang/ml-exp

def train():

print(\"start training...\")

# 处理训练数据

train_feature, train_target = process_file(train_dir, word_to_id, cat_to_id)

# 模型训练

model.fit(train_feature, train_target)

def test():

print(\"start testing...\")

# 处理测试数据

test_feature, test_target = process_file(test_dir, word_to_id, cat_to_id)

# test_predict = model.predict(test_feature) # 返回预测类别

test_predict_proba = model.predict_proba(test_feature) # 返回属于各个类别的概率

test_predict = np.argmax(test_predict_proba, 1) # 返回概率最大的类别标签

# accuracy

true_false = (test_predict == test_target)

accuracy = np.count_nonzero(true_false) / float(len(test_target))

print()

print(\"accuracy is %f\" % accuracy)

# precision recall f1-score

print()

print(metrics.classification_report(test_target, test_predict, target_names=categories))

# 混淆矩阵

print(\"Confusion Matrix...\")

print(metrics.confusion_matrix(test_target, test_predict))

if not os.path.exists(vocab_dir):

# 构建词典表

build_vocab(train_dir, vocab_dir)

categories, cat_to_id = read_category()

words, word_to_id = read_vocab(vocab_dir)

# kNN

# model = neighbors.KNeighborsClassifier()

# decision tree

# model = tree.DecisionTreeClassifier()

# random forest

model = ensemble.RandomForestClassifier(n_estimators=10) # n_estimators为基决策树的数量。一般越大效果越好直至趋于收敛

train()

test()运行结果：

ead_category...

read_vocab...

start training...

start testing...

accuracy is 0.875000

precision recall f1-score support

娱乐 0.83 0.91 0.87 89

房产 0.78 0.83 0.80 104

教育 0.81 0.81 0.81 104

家居 0.75 0.71 0.73 89

游戏 0.93 0.95 0.94 104

时政 0.78 0.79 0.78 94

时尚 0.94 0.89 0.92 91

体育 0.98 0.97 0.97 116

财经 0.95 0.91 0.93 115

科技 0.99 0.96 0.97 94

avg / total 0.88 0.88 0.88 1000

Confusion Matrix...

--------------------- 了解更多干货文章可以关注小程序八斗问答

• 我是一个创业小白,想要开一家店铺,大家有什么好的推荐吗？
• 初次创业,有什么好的建议,请高人指点下？
• 刚开始创业你们会选什么行业？
• 文学上有种体裁叫古风,它和赋、诗词有何不同？
• 有没有对视力好的水果推荐？

以上就是由互联网推广工程师 网创网 整理编辑的，如果觉得有帮助欢迎收藏转发~