machinelearning
含有「machinelearning」共 36 篇內容
全部內容
發佈日期由新至舊
數據洩漏是在機器學習和數據分析中，因不當使用資料而造成的模型性能評估錯誤。這篇文章探討數據洩漏的常見形式及其對模型可靠性的影響，並提供防範措施，如嚴格劃分數據集、僅對訓練集進行預處理和使用交叉驗證。瞭解這些概念有助於構建更穩健的數據驅動模型。
本文探討推薦系統的流程，從召回、粗排到精排及重排，分析各步驟在實務中的應用與挑戰。透過公司案例及小紅書的例子，以解釋如何在大量可選項目中精準推薦滿足用戶需求的項目，並強調效率的重要性。文章還指出了多樣性在推薦系統中的角色，以提升使用者留存率與滿意度。
本文探討四個關鍵的分類模型評估指標：準確率、精確率、召回率與 F1-Score。這些指標各自從不同角度反映模型的預測性能，理解它們的定義、計算方式和適用情境，能夠幫助您在數據分析和機器學習項目中做出更優的決策。
本文探討了聚類算法中常用的效果評估指標，包括內部和外部指標，並詳細介紹了輪廓係數、群集內距離平方和（WCSS）及Davies-Bouldin指數三種主要指標的計算方法、優缺點與應用場景。這些指標各有特點，適用於不同的聚類場景，有助於有效評估聚類質量，提升無監督學習的效能。
這篇文章深入探討了數據科學與機器學習中的主要聚類算法，包括 K-means、DBSCAN 和層次聚類。介紹了每種算法的工作原理、優缺點及其適用場景，幫助讀者理解何時選擇何種聚類技術。本文還提供了相關的程式碼範例，方便讀者進一步學習與實踐。
虛擬變數陷阱（Dummy Variable Trap）是指在進行One-Hot Encoding時，生成的虛擬變數之間存在完全多重共線性，影響回歸模型的準確性。透過具體的例子，本文探討瞭如何避免這個陷阱，以提升機器學習模型的效果與穩定性。
使用 BigQuery ML，讓 Data Analyst 可以在僅會 SQL 的情況下，建立預測模型，做到「快速分析多個特徵」給予客戶分群建議
Professional Machine Learning Engineer 考試心得 ｜Google Cloud
XGBoost（eXtreme Gradient Boosting）是一種基於梯度提升框架的機器學習算法，專注於高效的分類與迴歸問題。它廣泛應用於數據分析和競賽中，因其出色的模型訓練能力。本文探討 XGBoost 實際中的實作，適合希望掌握此技術的讀者，並對模型調參提供有價值的技巧與建議。
本篇文章介紹陰性（Negative）和陽性（Positive）的概念，這些術語源於統計學和醫學檢測，廣泛應用於二分類問題的預測模型表現評估。本文解釋了真陽性、真陰性、假陽性和假陰性的定義及其在不同應用場景（中的重要性，並探討瞭如何選擇合適的評估指標和調整模型閾值，以提高模型性能與業務決策的有效性。
