- 博客(8)
- 收藏
- 关注
RSS订阅原创 PCA——主成分分析
优点(1)仅通过方差衡量,不受外因影响(2)主成分正交,消除原始数据成分相关的可能(3)方法简单,易于实现缺点(1)可解释性变弱(2)可能丢失强力特征,可能对后续处理有影响。
2025-06-16 23:20:13
476
原创 机器学习—支持向量机
监督学习: SVM 需要带标签（类别）的数据进行训练。二元分类: 其基本形式用于区分两个类别。广义线性分类器: 虽然决策边界在原始输入空间可能是非线性的（通过核技巧），但在变换后的高维特征空间中，它是一个线性决策边界（超平面）。所以称之为“广义线性”。决策边界 = 最大边距超平面: 这是SVM最核心的思想。它的目标不是简单地找一个能分开数据的超平面，而是找那个能最大化两个类别最近数据点（支持向量）到该超平面距离（间隔）的超平面。这个最大间隔被认为是泛化能力最好的。
2025-06-03 19:16:24
813
原创 【无标题】
逻辑回归是一种用于解决分类问题的统计学习方法。尽管名字中包含“回归”一词，但逻辑回归实际上用于处理分类问题，而不是回归问题。逻辑回归通过对特征和目标变量之间的关系进行建模，预测目标变量的类别。它的输出是介于0和1之间的概率值，通常用于二分类问题。逻辑回归的基本原理是将输入特征的线性组合通过一个激活函数（Sigmoid函数）映射到0到1之间的概率值。对于二分类问题，当概率值大于阈值时，将样本分为正类，否则分为负类。逻辑回归可以通过最大似然估计或梯度下降等方法来求解模型参数。
2025-05-19 23:48:36
1780
原创 贝叶斯分类
贝叶斯分类是一类分类算法的总称，这类算法均以贝叶斯定理为基础，故统称为贝叶斯分类。而朴素朴素贝叶斯分类是贝叶斯分类中最简单，也是常见的一种分类方法。1.逻辑简单,易于实现2.空间开销小朴素贝叶斯和其他分类方法相比具有较小误差,其实不是,这是因为朴素贝叶斯简单的把属性之间假设为相互独立,这种假设在现实生活中往往是不可取的,如果属性之间相关性较强,则分类效果不会很好。
2025-05-05 22:43:12
500
原创 决策树模型
第一列是车(1|2|3),第二行是婚姻状态(1已婚|2单身|3离婚),第三列是是否有贷款(0无|1有),第四列是是否已有车(0无|1有),第五列为是否买车(0n|1y)在信息增益的基础上乘上一个惩罚参数.特征个数较多,惩罚参数较小,特征个数较少,惩罚参数较大.以数据集D以A作为随机变量的熵的倒数。特征A对训练数据集D的信息增益g(D,A),定义为集合D的经验熵H(D)与特征A给定条件下的经验熵H(D|A)之差.但是在信息世界，熵越高，则能传输越多的信息，熵越低，则意味着传输的信息越少。
2025-05-05 22:33:38
1451
原创 机器学习-模型评估
机器学习模型评估是机器学习领域中的一个重要研究方向，其研究背景在于随着大数据时代的到来，人们面临着越来越多的数据分析和处理任务，而机器学习作为一种高效的数据处理技术，在很多领域都得到了广泛应用。然而，机器学习模型的效果评估是机器学习应用过程中一个非常关键的问题，因此机器学习模型评估的研究具有非常重要的意义。如果是5折交叉验证，意思就是在原始数据集上，进行5次划分，每次划分进行一次训练、评估，最后得到5次划分后的评估结果，一般在这几次评估结果上取平均得到最后的评分。MAE的值越接近0，预测模型的准确性越高。
2025-04-07 17:30:32
1582
原创 k近邻算法
K-近邻算法(K Nearest Neighbor)又叫KNN算法，指如果一个样本在特征空间中的k个最相似的样本中的大多数属于某一个类别，则该样本也属于这个类别。也就是对于新输入的实例，从数据集中找到于该实例最邻近的k个实例，那么这k个实例大多数属于某一个类，那么就把该实例放到该类中。KNN算法不仅可以用于分类，还可以用于回归。通过找出一个样本的k个最近邻居，将这些邻居的属性的平均值赋给该样本，就可以得到该样本的属性。
2025-03-24 21:53:20
890
原创 Anaconda的安装以及python环境的配置
Anaconda的conda工具简化了跨操作系统的包和环境管理，它提供了一个灵活的数据科学平台，具有全面的包管理和创建独立项目环境的能力。Anaconda广泛的开源包分发和简单的环境管理能够让我们快速部署环境，进行包管理与环境管理。下载链接：
2025-03-09 16:37:43
376
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