用于训练的朴素贝叶斯的训练数据集以及测试数据集

深度学习演示 奇妙清单 1. 2.（感谢北京大学张志华团队的翻译工作，中文版点击） 一，记录深度学习例子： 名称 目录 咖啡 TensorFlow 茶野 凯拉斯 二，记录历程点滴： 掌握机器学习相关的概念和计算公式，包括有/无/半监督学习，强化学习，分类/回归/标注，聚类；训练集/验证集，交叉验证，测试集；数据预处理，正则化，归一化；损失函数，经验风险最小化，结构风险最小化，最优化算法；训练误差，泛化误差，欠拟合，过拟合；准确率，召回率，F1值，ROC和AUC； 掌握机器学习主流的模型及其

传统的不平衡数据分类问题往往会因为类间数据不平衡造成分类器的性能下降。利用 AUC（ROC 曲线下的面积）为评价指标，结合单类 F-score 特征选择和遗传算法建立多层神经网络模型，选出对于不平衡数据分类更有利的特征子集，从而建立更适用于不平衡数据分类的深度模型。基于Tensor Flow建立多层神经网络模型，通过对4组不同UCI数据集进行测试，并与传统的机器学习算法如朴素贝叶斯、K最近邻、神经网络等进行对比验证。实验证明，所提模型在处理不平衡数据分类问题上的表现更优秀。