Please enable JavaScript.

Coggle requires JavaScript to display documents.

Machine Learning - Coggle Diagram

- - - - Classification algorithms
      - Linear Regretion
    - - Linear regretion
        
        model
        
        Erro
        
        Cost funtion
        
        J(w, b) = (1/2m) (∑ 1 ,m )( error )²
        
        M = number of training examples
        
        Mim J(w, b)
        
        Gradient descent
        
        2 more items...
        
        E = ( F(x) - y )
        
        F(x) = wx + b
        
        F(x) - y = error
      - outros
        
        Random Forest
        
        O algoritmo cria várias árvores de decisão durante o treinamento, onde cada árvore é construída com uma amostra aleatória dos dados de treinamento e um subconjunto aleatório das características disponíveis.
        
        o resultado é escolhido bom base no melhor caso
        
        Boosting
        
        técnica em que os modelos são treinados de forma iterativa, e cada novo modelo concentra-se nos erros cometidos pelo modelo anterior, dando mais importância aos exemplos que foram mal classificados.
        
        XGBoost (Extreme Gradient Boosting)
        
        LightGBM
      - Classification
        
        Logistic Regretion
        
        Used to solve cassification problems
        
        model
        
        z = wx + b
        
        linear regretion Cost Function
        
        return a convex graph, to find the minimum in linear regretion. In logistc model the graph was non-convex.
        
        Loss function
        
        L (f(x), y) = { -log( f(x) ) y = 1
        { 1 - log( f(x) ) y = 0
        
        L = y log( f(x) ) + (1 - y)log( f(x) )
        
        Cost function
        
        J(w, b) = (1/m) (∑ 1, m) ( L )
        
        Mim J (w, b)
        
        Gradient descent for linear regretion
        
        2 more items...
  - - - Clustering
      - Anomaly detection
      - Dimentionality reduction