l*n
2 楼
人眼是qualitative的分析，而且只能看低维度的数据，不能scale，不能提供细节。如
果你的检验就是眼睛看，那只能说你得检验方法不靠谱。
【在 g*****o 的大作中提到】
: 其实人眼一眼就看出是一团了(如果人眼看得到的话)
: 但是算法还要训练之后检验, 才知道不靠谱分不开.
果你的检验就是眼睛看，那只能说你得检验方法不靠谱。
【在 g*****o 的大作中提到】
: 其实人眼一眼就看出是一团了(如果人眼看得到的话)
: 但是算法还要训练之后检验, 才知道不靠谱分不开.
g*o
3 楼
我的意思是说经常有分类效果不好的情况啊，不说kmeans，svm也会有训练出来的参数
不能很好对检验集分类的情况。
【在 l******n 的大作中提到】
: 人眼是qualitative的分析，而且只能看低维度的数据，不能scale，不能提供细节。如
: 果你的检验就是眼睛看，那只能说你得检验方法不靠谱。
不能很好对检验集分类的情况。
【在 l******n 的大作中提到】
: 人眼是qualitative的分析，而且只能看低维度的数据，不能scale，不能提供细节。如
: 果你的检验就是眼睛看，那只能说你得检验方法不靠谱。
m*e
4 楼
你说是两样东西聚类(clustering)，分类是classification
很多时候ML难的是找合适的feature, svm input 的feature, k means的distance
function才是影响结果的原因
【在 g*****o 的大作中提到】
: 我的意思是说经常有分类效果不好的情况啊，不说kmeans，svm也会有训练出来的参数
: 不能很好对检验集分类的情况。
很多时候ML难的是找合适的feature, svm input 的feature, k means的distance
function才是影响结果的原因
【在 g*****o 的大作中提到】
: 我的意思是说经常有分类效果不好的情况啊，不说kmeans，svm也会有训练出来的参数
: 不能很好对检验集分类的情况。
g*o
5 楼
如果数据本身就是个均匀分布，那再怎么调参也没戏啊
【在 m******e 的大作中提到】
: 你说是两样东西聚类(clustering)，分类是classification
: 很多时候ML难的是找合适的feature, svm input 的feature, k means的distance
: function才是影响结果的原因
【在 m******e 的大作中提到】
: 你说是两样东西聚类(clustering)，分类是classification
: 很多时候ML难的是找合适的feature, svm input 的feature, k means的distance
: function才是影响结果的原因
T*u
6 楼
我我们做谱分析的，上学的时候老师有句话，如果你自己看觉着谱不行，就不要相信算
法的结果。
法的结果。
g*o
7 楼
re,
是光谱实验么? 刚好也是最近有个朋友给光谱图做svm分类, 结果很差, 我就说可能本
来就分不出来..
【在 T*****u 的大作中提到】
: 我我们做谱分析的，上学的时候老师有句话，如果你自己看觉着谱不行，就不要相信算
: 法的结果。
是光谱实验么? 刚好也是最近有个朋友给光谱图做svm分类, 结果很差, 我就说可能本
来就分不出来..
【在 T*****u 的大作中提到】
: 我我们做谱分析的，上学的时候老师有句话，如果你自己看觉着谱不行，就不要相信算
: 法的结果。
z*3
8 楼
求靠谱分类算法
m*e
9 楼
Feature 是你的model, 和调参数是两码事
【在 g*****o 的大作中提到】
: 如果数据本身就是个均匀分布，那再怎么调参也没戏啊
【在 g*****o 的大作中提到】
: 如果数据本身就是个均匀分布，那再怎么调参也没戏啊
g*o
10 楼
你老和我在这里抠字眼→_→
【在 m******e 的大作中提到】
: Feature 是你的model, 和调参数是两码事
【在 m******e 的大作中提到】
: Feature 是你的model, 和调参数是两码事
m*e
11 楼
不是扣字眼，基本概念要搞清楚才能正确使用算法，出了问题也知道往哪个方向解决
【在 g*****o 的大作中提到】
: 你老和我在这里抠字眼→_→
【在 g*****o 的大作中提到】
: 你老和我在这里抠字眼→_→
f*2
12 楼
分类效果好，基本靠以下。
【1】运气：数据本身就好分，用啥傻大三粗的都能分好。
【2】运气：数据经过变换后，用啥傻大三粗的都能分好。
【1】运气：数据本身就好分，用啥傻大三粗的都能分好。
【2】运气：数据经过变换后，用啥傻大三粗的都能分好。
c*t
13 楼
赞。能看出算法不靠谱已经是走在正确的道儿上
【在 g*****o 的大作中提到】
: 其实人眼一眼就看出是一团了(如果人眼看得到的话)
: 但是算法还要训练之后检验, 才知道不靠谱分不开.
【在 g*****o 的大作中提到】
: 其实人眼一眼就看出是一团了(如果人眼看得到的话)
: 但是算法还要训练之后检验, 才知道不靠谱分不开.
T*u
14 楼
这是必须的。还有个margin的问题。
【在 f*********2 的大作中提到】
: 分类效果好，基本靠以下。
: 【1】运气：数据本身就好分，用啥傻大三粗的都能分好。
: 【2】运气：数据经过变换后，用啥傻大三粗的都能分好。
【在 f*********2 的大作中提到】
: 分类效果好，基本靠以下。
: 【1】运气：数据本身就好分，用啥傻大三粗的都能分好。
: 【2】运气：数据经过变换后，用啥傻大三粗的都能分好。
相关阅读
leetcode 里的在两个sorted array里找median 得问题，是不是有什么trick？学习spark是否需要懂scala？ds和sde如何选择问一道(大)数据 algorithm (转载)Cloudera Hadoop Data Analyst 培训视频 (转载)周一美西六点半，海外华人公益职场问答网会资深database developer转DS可能性大吗，如何转？免费讲座SQL Server CDC (转载)怎么表达kernel density estimation求推荐big data 课程或bootcamp, 花掉公司的Tuition reimbursement请教一道概率题106个热门mid-sized it公司推荐 (转载)【包子求】BFGS-Matlab package给换工作的朋友推荐一本书《the first 90 days》by Michael D. (转载)vincent granville是不是比较扯友情提醒：面试时一定要保持充足的经历和体力！有关归类Data Science Engineer opening in Apple, Austin TX officeWebinar info新的Data Science群