- 博客(8)
- 收藏
- 关注
RSS订阅原创 主成分分析（PCA）方法-人脸识别
将高维人脸数据（如像素）投影到低维空间，保留最大方差的方向（主成分）。PCA通过提取主成分实现人脸数据的降维和特征表示，在早期人脸识别中效果显著，但因线性限制逐渐被深度学习方法（如CNN）取代。首先，对原始数据进行中心化处理，即将每个特征的数值都减去该特征的均值，得到中心化后的数据矩阵X_c。根据特征值的大小，选择最大的k个特征值对应的特征向量作为变换矩阵W的列向量，得到W。将原始数据（如人脸图像）从高维空间映射到低维空间，保留最大方差的方向（主成分）。：将每张人脸图像展平为向量，并中心化（减去均值）。
2025-06-10 19:40:58
426
原创 基于支持向量机（SVM）构建的垃圾邮件过滤器
SVM是一种监督学习算法，目标是找到一个最优超平面（决策边界），将不同类别的数据分开，并最大化两类数据之间的间隔（Margin）。核函数选择：线性核（计算高效）或RBF核（复杂模式）。将数据映射到高维空间，使其线性可分。：追求分类的鲁棒性，而非仅仅最小化训练误差。：仅由支持向量（靠近边界的样本点）决定模型。：文本向量大多为0，SVM仅依赖支持向量。输入 xixi：邮件的TF-IDF向量。：通过非线性映射处理高维数据。ww：法向量，决定超平面方向。bb：偏置项，决定超平面偏移。：核技巧有效处理高维特征。
2025-06-02 20:53:52
445
原创 机器学习-逻辑回归
该算法特别适合中小规模数据集的二分类问题，后续可以进一步探索其在推荐系统、风险评估等场景的应用。实现了数值稳定的Sigmoid函数，通过值裁剪(-500,500)有效防止了数值溢出问题。在y = 1下，损失要越小则编辑越大，即编辑 —>1。在y = 0下，损失要越小则编辑越小，即编辑 —>0。构建了完整的梯度上升优化流程，能够有效最大化对数似然函数。添加了自适应学习率机制和收敛判断，提高了训练效率。：添加输入值裁剪(-500,500)：S型曲线，输出限定在(0,1)：实现随时间衰减的自适应学习率。
2025-05-19 16:43:57
353
原创 朴素贝叶斯算法西瓜案例
p_density_G = (1/(math.sqrt(2*math.pi)*denG_std))*np.exp(-(((testSet[labels.index("密度")]-denG_mean)**2)/(2*(denG_std**2))))p_density_B = (1/(math.sqrt(2*math.pi)*denB_std))*np.exp(-(((testSet[labels.index("密度")]-denB_mean)**2)/(2*(denB_std**2))))
2025-05-05 21:24:15
791
原创 决策树算法
决策树是一种基于树结构进行决策的模型，类似于人类在决策过程中根据一系列条件进行判断的流程。根节点（Root Node）：决策树的起点，包含所有样本数据。内部节点（Internal Node）：表示某个特征的测试条件。叶节点（Leaf Node）：表示最终的分类结果或回归值。分支（Branch）：连接节点，表示决策路径。决策树的目标是通过学习训练数据中的特征与标签之间的关系，构建一棵树模型，用于对新数据进行预测。
2025-04-21 23:21:09
1197
原创 ROC曲线与PR曲线
一、理解ROC 曲线是一种用于评估二分类模型性能的工具。它通过展示模型在不同分类阈值下的表现，帮助我们更好地理解模型的能力。ROC曲线的绘制是通过设置不同的阈值值，小于该阈值为假，大于该阈值为正，因此不断改变真正例率TPR和假正例率FPR,将不同阈值的真正例率TPR作为y轴坐标，假正例率FPR作为x轴坐标来绘制出ROC曲线二、真正例率TPR和假正例率FPR真正例率TPR是真正的正例且被预测为正例的例子TP 除以 所有的正例TP+FN。
2025-04-07 23:55:42
764
原创 基于K近邻算法的分类器的实现
基于K近邻算法的分类器的实现## 一、问题引入海伦一直使用在线约会网站寻找适合自己的约会对象。她曾交往过三种类型的人：- 不喜欢的人- 一般喜欢的人- 非常喜欢的人这些人包含以下三种特征1. 每年获得的飞行常客里程数2. 玩视频游戏所耗时间百分比3. 每周消费的冰淇淋公升数该网站现在需要尽可能向海伦推荐她喜欢的人，需要我们设计一个分类器，根据用户的以上三种特征，识别出是否该向海伦推荐。## 二、需求概要分析根据问题，我们可知，样本特征个数为3，样本标签为三类。
2025-03-24 21:12:17
723
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人