干货―【基础】常用的机器学习&数据挖掘知识点_图文_百度文库
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
干货―【基础】常用的机器学习&数据挖掘知识点
阅读已结束，下载文档到电脑
想免费下载本文？
定制HR最喜欢的简历
下载文档到电脑，方便使用
还剩1页未读，继续阅读
定制HR最喜欢的简历
你可能喜欢机器学习相关的面试问题
我的图书馆
机器学习相关的面试问题
伪代码实现：LR、梯度下降、最小二乘、KNN、K基本知识：1）监督与非监督区别；2）L1L2区别；3）生成模型和判别模型区别算法的优缺点以及相应解决方案：k-means, KNN, apriori算法原理：LR、KNN、k-means、apriori、ID3（C45,CART）、SVM、神经网络，协同过滤，em算法常见问题：1）svm算法的原理、如何组织训练数据、如何调节惩罚因子、如何防止过拟合、svm的泛化能力、增量学习2）神经网络参数相关。比如，参数的范围？如何防止过拟合？隐藏层点的个数多了怎样少了怎样？什么情况下参数是负数？3）为什么要用逻辑回归？4）决策树算法是按什么来进行分类的?5) 朴素贝叶斯公式6) 讲em算法7）svm中rbf核函数与高斯和函数的比较8）说一下SVM的实现和运用过程9）谈谈DNN10）简单说说决策树分析11）推荐系统中基于svd方法12）SVM有哪些优势，（x,y,z）三个特征如何用径向基核函数抽取第四维特征13）userCF和ItemCF在实际当中如何使用,提供具体操作，以及它们的优势（推荐系统）14）如何用Logic regression建立一个广告点击次数预测模型15）举一个适合采用层次分析法的例子17）关联分析中的极大频繁项集；FP增长算法18）线性分类器与非线性分类器的区别及优劣19）特征比数据量还大时，选择什么样的分类器20）对于维度很高的特征，你是选择线性还是非线性分类器21) 对于维度极低的特征，你是选择线性还是非线性分类器22) 如何解决过拟合问题23) &L1和L2正则的区别，如何选择L1和L2正则24) 随机森林的学习过程25) 随机森林中的每一棵树是如何学习的26) 随机森林学习算法中CART树的基尼指数是什么27)支持向量机、图模型、波尔茨曼机，内存压缩、红黑树、并行度28） 如何搭建一个推荐平台，给出具体的想法，29） 实现一个中文输入法30） k-meanshift的机制，能不能用伪码实现31）实现最小二乘法。
TA的最新馆藏
喜欢该文的人也喜欢[发明专利]一种基于核主成分分析和随机森林的短期负荷预测方法在审
申请/专利权人：
公开/公告号：CNA
发明/设计人：;;;;;;;;;
公开/公告日：
主分类号：
搜索关键词：
【说明书】：
技术领域本发明属于电力系统技术领域，具体涉及一种基于核主成分分析和随机森林的短期负荷预测方法。背景技术电力负荷预测是电力系统调度、用电、计划、规划等管理部门的重要工作之一。准确的短期负荷预测是合理安排发电机组的起停、提高电能质量、保持电网安全稳定性运行的重要依据，有助于减少不必要的旋转储备容量、合理安排机组检修计划、有效降低发电成本、提高经济和社会效益。为了提高短期负荷预测的精度，众多研究者展开了长期研究与探索，并形成了以时间序列法为代表的传统预测方法和以人工神经网络(ArtificialNeuralNetworks,ANN)为代表的人工智能方法。与此同时，支持向量机(SupportVectorMachines,SVM)等新的机器学习算法，也得到越来越广泛的应用。但是在实际应用过程中普遍存在以下两个问题：第一个问题是当输入影响因素过多时，将会导致预测模型结构过于复杂，训练效率低；第二个问题是ANN方法在训练中容易导致学习不足或过拟合的问题。SVM等机器学习算法虽能有效避免陷入局部最小的风险，能实现较为精确的预测，但是仍存在以下不足：(1)核函数必须满足Mercer条件，可选核函数较少；(2)只能实现点预测，无法描述数据的不确定信息；(3)参数较多，且支持向量随着训练样本的增加而线性增长，计算量较大。对于第一个问题，目前常用的解决思路是进行样本输入的降维，其中核主成分分析(KernelPrincipleComponentAnalysis，KPCA)能通过其核函数实现非线性降维，可有效避免粗糙集理论、灰色关联分析法等传统降维方法只能提取出部分影响因素，而剩余的影响因素则被完全舍弃的不足，以及主成分分析(PrincipleComponentAnalysis,PCA)方法因其本质为一种线性算法，不能提取数据中的非线性关系的不足。对于第二个问题，随机森林(RandomForest,RF)是数据挖掘思想的代表算法，能够从有限的数据中挖掘出大量的有效信息。RF算法以Bootsrap重抽样法获取训练样本，其基本思想是构造多决策树模型，具有预测精度高、泛化误差可控、收敛速度快、调节参数少等优点，可有效避免“过拟合”现象发生，尤其适用于高维数据的运算。已有文献将RF算法与SVM和ANN算法进行了比较，证明了RF算法的优越性。RF算法早期多应用于图像识别、故障诊断等分类问题，目前将该算法运用于负荷预测的成果非常少。发明内容发明目的：本发明的目的是提供一种结合核主成分分析和随机森林模型、提高预测精度与效率的短期预测负荷方法。技术方案：本发明所述的基于核主成分分析和随机森林的短期负荷预测方法包括如下步骤：(1)分析和选取运行的电力系统中影响待预测日负荷预测精度的数据，初步构造训练、预测样本集；进一步说，所述数据包括历史负荷、气温、湿度以及光照数据。(2)采用核主成分分析对训练样本数据进行降维；采用核主成分分析对样本的输入数据进行优选降维，是为了能在保证输入数据相对较少的同时，保留绝大多数有效信息，核主成分分析的构建方法进一步说包括如下步骤：(21)给定M个样本，每个样本有N维的原始输入，输入样本数据构成M行N列矩阵；(22)选择核函数，根据
友情链接：交换友情链接需要网站权重大于3，网站收录10W以上，如符合条件，请联系QQ：。
行业网站：相关推荐：
400-周一至周五 9:00-18:00
服务热线：400-投诉建议：022-
扫一扫，微信关注高智网
高智&让创新无法想象2000万件&专利数据机器学习有很多关于核函数的说法，核函数的定义和作用是什么？ - 知乎3975被浏览283311分享邀请回答royalsociety.org/events/2014/11/milner-lecture/69639 条评论分享收藏感谢收起80577 条评论分享收藏感谢收起查看更多回答4 个回答被折叠（）}