- 博客(4)
- 收藏
- 关注
RSS订阅原创 机器学习：基于朴素贝叶斯的西瓜分类实践
深入理解了朴素贝叶斯分类器的核心原理，掌握了贝叶斯定理在分类任务中的应用。学会了处理混合类型特征（离散 + 连续）：离散特征采用拉普拉斯平滑避免概率为 0，连续特征通过高斯分布拟合概率密度。掌握了面向对象的编程思想，将分类器封装为类，提高了代码的复用性和可读性。。
2025-12-11 15:27:30
975
原创 ID3 决策树：从原理到预剪枝优化
我们使用经典的贷款审批数据集，包含 16 条样本，4 个离散特征（年龄段、有工作、有自己的房子、信贷情况）和 1 个二分类目标变量（是否给贷款），任务是根据申请人信息预测 “是否批准贷款”。数据集构造直接集成在代码中，无需额外导入，运行代码即可自动加载。理解 ID3 决策树的核心逻辑：以 “信息增益” 为分裂依据，通过递归构建树结构；掌握预剪枝的实现方法：通过 3 个关键参数限制树的生长，避免过拟合；实战验证：预剪枝能在简化模型结构的同时，保持核心分类能力。
2025-11-26 20:44:16
1068
原创 决策树实战：ID3 与 CART 决策树的构建与性能对比
我们使用的数据集包含 16 条贷款申请人信息，特征包括 "年龄段"、"有工作"、"有自己的房子"、"信贷情况"，目标是预测 "是否给贷款"。data = {"年龄段": ["青年","青年","青年","青年","青年","中年","中年","中年","中年","中年","老年","老年","老年","老年","老年","老年"],"有工作": ["否","否","是","是","否","否","否","是","否","否","否","否","是","是","否","否"],
2025-11-13 15:32:17
849
原创 K 近邻算法实战：海伦约会对象分类器的设计与实现
K 近邻算法以其 "以邻为鉴" 的朴素思想，成为机器学习入门的绝佳案例。KNN 的核心流程：计算距离→选择 K 值→多数投票数据预处理的关键：特征归一化消除量纲影响模型评估与可视化：用散点图观察数据分布，用 ROC 曲线评估性能虽然 KNN 存在计算效率低的问题，但在小数据场景下，其简单性和可解释性使其仍具有很高的实用价值。掌握这一算法，能为理解更复杂的机器学习模型奠定坚实基础。
2025-10-29 23:00:55
893
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