From d789d4baf844614ae9619cfd549d1250f775b0fc Mon Sep 17 00:00:00 2001
From: aolingwen <747620155@qq.com>
Date: Wed, 10 Jul 2019 14:31:12 +0800
Subject: [PATCH] =?UTF-8?q?=E5=AE=9A=E7=A8=BF?=
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit
---
algorithm.md | 19 +++++++++++++++++--
metrics.md | 11 +++++++++--
recommand.md | 1 +
3 files changed, 27 insertions(+), 4 deletions(-)
diff --git a/algorithm.md b/algorithm.md
index 80373d8..0742922 100644
--- a/algorithm.md
+++ b/algorithm.md
@@ -15,8 +15,23 @@
- AGNES
-本章的所有实训已在`educoder`平台上提供，若感兴趣可以输入链接进行体验：https://www.educoder.net/paths/194
-也通过扫码查看整套课程。
+关于本章的实验与涉及的案例均可以在平台进行体验，名称与链接如下：
+
+| 名称 | 链接 |
+|------|------|
+|《机器学习》---线性回归|https://www.educoder.net/shixuns/4awq25iv/challenges|
+|《机器学习》---逻辑回归|https://www.educoder.net/shixuns/tw9up75v/challenges|
+|《机器学习》---多分类学习|https://www.educoder.net/shixuns/bfyloih4/challenges|
+|《机器学习》---kNN算法|https://www.educoder.net/shixuns/aw9bxy75/challenges|
+|《机器学习》---决策树|https://www.educoder.net/shixuns/hl7wacq5/challenges|
+|《机器学习》---随机森林|https://www.educoder.net/shixuns/ya8h7utx/challenges|
+|《机器学习》---朴素贝叶斯分类器|https://www.educoder.net/shixuns/uyl5pk2q/challenges|
+|《机器学习》---支持向量机|https://www.educoder.net/shixuns/b6yi97f2/challenges|
+|《机器学习》---随机森林|https://www.educoder.net/shixuns/ya8h7utx/challenges|
+|《机器学习》---k-means|https://www.educoder.net/shixuns/k6fp4saq/challenges|
+|《机器学习》---AGNES|https://www.educoder.net/shixuns/qy9gozt8/challenges|
+
+也可通过扫码查看整套课程，二维码如下:
\ No newline at end of file
diff --git a/metrics.md b/metrics.md
index 71ed392..8fe340a 100644
--- a/metrics.md
+++ b/metrics.md
@@ -1,4 +1,4 @@
-当模型训练好之后，我们需要有指标来量化我们的模型的性能好不好。而且模型的性能不单单只有一个维度，所以模型的好坏通常会用多个指标来进行衡量。例如，现在想要衡量一个分类模型的性能，您可能第一时间会想到用准确率来衡量模型的好坏，但是准确率高并不一定就代表模型的性能高，因此可能会需要使用如`f1 score`、`AUC`等指标来衡量。所以在什么情况下使用什么样的性能评估指标，每个指标的数值的含义时什么，是我们在评估模型性能时必须要学会的知识。
+当模型训练好之后，我们需要有指标来量化我们的模型的性能好不好。而且模型的性能不单单只有一个维度，所以模型的好坏通常会用多个指标来进行衡量。例如，现在想要衡量一个分类模型的性能，您可能第一时间会想到用准确率来衡量模型的好坏，但是准确率高并不一定就代表模型的性能高，因此可能会需要使用如`F1 Score`、`AUC`等指标来衡量。所以在什么情况下使用什么样的性能评估指标，每个指标的数值的含义时什么，是我们在评估模型性能时必须要学会的知识。
本章主要涉及的知识点有：
@@ -7,6 +7,13 @@
- 常用回归性能评估指标
- 常用聚类性能评估指标
-本章的所有实训已在`educoder`平台上提供，若您感兴趣可以通过扫码查看整套课程。
+关于本章的实验与涉及的案例均可以在平台进行体验，名称与链接如下：
+
+| 名称 | 链接 |
+|------|------|
+|《机器学习》---模型评估与选择|https://www.educoder.net/shixuns/cbsfh3r5/challenges|
+|《机器学习》---聚类性能评估指标|https://www.educoder.net/shixuns/e4pmtfly/challenges|
+
+也可通过扫码查看整套课程，二维码如下:
\ No newline at end of file
diff --git a/recommand.md b/recommand.md
index 4a90574..3fed4c6 100644
--- a/recommand.md
+++ b/recommand.md
@@ -6,6 +6,7 @@
|------|------|
| 《机器学习》---绪论 | https://www.educoder.net/shixuns/4fhemfr9/challenges |
|《机器学习》---模型评估与选择|https://www.educoder.net/shixuns/cbsfh3r5/challenges|
+|《机器学习》---聚类性能评估指标|https://www.educoder.net/shixuns/e4pmtfly/challenges|
|《机器学习》---线性回归|https://www.educoder.net/shixuns/4awq25iv/challenges|
|《机器学习》---逻辑回归|https://www.educoder.net/shixuns/tw9up75v/challenges|
|《机器学习》---多分类学习|https://www.educoder.net/shixuns/bfyloih4/challenges|
