- 博客(8)
- 收藏
- 关注
RSS订阅原创 机器学习之主成分分析
PCA作为机器学习中经典的线性降维算法，通过”最小重构误差“为目标导向对数据进行投影实现降维，如今仍然在机器学习许多领域（语言图像处理、数据可视化）有优异表现。它在降低数据复杂性，降低运算量上有显著优势。但作为一种无监督学习方法（对训练样本没有做标注），在对数据完全无知的情况下，PCA并不能得到较好的保留数据信息并且有可能损失重要信息，且PCA对于主成分的分析判断是影响实验结果的重要因素，另外，PCA对于非线性的数据降维效果较差，我们在进行非线性数据降维时最好采用其它方法。
2025-06-07 00:30:00
1645
原创 机器学习之支持向量机SVM
支持向量机（SVM）** 是一种有监督的机器学习算法，广泛应用于分类和回归问题。其核心思想是通过寻找一个最优超平面（Hyperplane）来对数据进行分割，使得不同类别的数据点之间的间隔（Margin）最大化。SVM 在小样本、高维数据场景中表现优异，常用于图像识别、文本分类、生物信息学等领域。
2025-06-02 19:47:50
707
原创 机器学习之logistic回归
本质：逻辑回归虽然名字里有 “回归”，但它实际上是一种分类算法，主要用于处理二分类问题，也可以通过一些扩展来处理多分类问题。原理：它基于线性回归模型，通过一个非线性的 sigmoid 函数（也称为逻辑函数）将线性回归的结果映射到一个概率值，从而实现对样本的分类。具体来说，假设线性回归模型的输出为z=wTx+b，其中w是权重向量，x是输入特征向量，b是偏置项。那么逻辑回归模型的输出y为y=1+e−z1，y的值表示样本属于正类的概率，取值范围在(0,1)之间。
2025-05-10 14:00:00
2159
原创 朴素贝叶斯算法之西瓜分类
朴素贝叶斯算法的基础是贝叶斯原理，其假定给定目标值时属性之间相互条件独立。也就是说没有哪个属性变量对于决策结果来说占有着较大的比重，也没有哪个属性变量对于决策结果占有着较小的比重。基于贝叶斯原理，朴素贝叶斯的分类原理大体不变。收集并整理带有类别标签的训练数据集，将数据特征进行提取和量化。计算出先验概率和后验概率带入贝叶斯公式来预测新样本。优点算法简单高效：朴素贝叶斯算法原理清晰易懂，计算过程相对简单，在处理大规模数据集时，计算量较小，能够快速进行训练和预测。
2025-04-22 21:16:24
1252
原创 机器学习之构造决策树
当 “有自己的房子” 为 “是” 时，子集中 “是” 的数量为 7，“否” 的数量为 1，此时可以直接将该子集标记为 “是”（因为 “是” 的比例很高），作为叶子节点。当 “有自己的房子” 为 “是” 时，子集中 “是” 的数量为7，“否” 的数量为1，此时可以直接将该子集标记为 “是”（因为 “是” 的比例很高），作为叶子节点。在是否给贷款的问题中，K=2（是或否）。当 “有工作” 为 “是” 时，子集中 “是” 的数量为 6，“否” 的数量为 0，此时可以直接将该子集标记为 “是”，作为叶子节点。
2025-04-08 23:10:00
1110
原创 利用PR曲线和ROC曲线对KNN算法进行性能度量
PR曲线（Precision-Recall Curve）是信息检索和机器学习领域中用于评估分类模型性能的重要工具，尤其适用于处理类别不平衡问题（如正例远少于负例）。它通过展示精确率（Precision）与召回率（Recall）之间的权衡关系，帮助用户直观理解模型在不同阈值下的表现。精确率（Precision）含义：预测为正例的样本中，实际为正例的比例。示例：模型预测100个正例，其中80个正确 → 精确率=80%。召回率（Recall）含义：实际正例中被正确预测的比例。
2025-03-27 21:57:14
1076
原创 k近邻算法之海伦约会
K(k-Nearest Neighbor，KNN)分类算法，是一个理论上比较成熟的方法，也是最简单的之一。该方法的思路是：在中，如果一个样本附近的k个最近(即特征空间中最邻近)样本的大多数属于某一个类别，则该样本也属于这个类别。
2025-03-24 22:38:53
1167
原创 Anaconda下载配置教程
显示默认自带Python版本选择勾选环境变量，安装后自动配置环境变量。在浏览器上搜索出Anaconda官网后打开，进入如下界面后可登录（Submit）或者直接跳过（skip）。然后进入到下载页面，根据自己的电脑系统选择自己需要下载的版本即可。根据前面软件包的安装地址，添加以下几个环境变量完成环境配置；下载完成安装包后双击打开运行，点击next；右键此电脑，点击属性，选择高级系统设置；这样一个Anaconda的安装与配置就完成啦！在列表中找到anaconda；点击右下角环境配置；选择需要的版本下载即可；
2025-03-08 20:04:54
595
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