- 博客(5)
- 收藏
- 关注
RSS订阅原创 【机器学习】（八）线性回归与多元回归：预测的数学基础
引言：从线性到多元回归分析是机器学习中一种非常基础且广泛应用的技术，它帮助我们通过数据预测未来的趋势，揭示变量之间的关系。在回归任务中，线性回归和多元回归是最常见的两种模型，它们通过找到自变量与因变量之间的关系来进行预测。
2025-07-09 18:42:09
1695
1
原创 【机器学习】（六）随机森林与集成思想：如何有效提升模型精度
随着数据量的增加，单一模型的性能往往难以满足实际需求。于是，集成学习作为一种有效的提升模型性能的方法应运而生。集成学习通过将多个模型组合起来，发挥每个模型的优势，极大地提高了预测的准确性与稳定性。其中，随机森林（Random Forest）作为集成学习的一种代表性算法，以其优秀的性能和较强的鲁棒性广泛应用于各个领域。本文将深入讲解随机森林的基本原理、实现方法、优缺点以及如何通过调参提升模型性能。
2025-07-09 18:09:40
1619
原创 【机器学习】（三）数据准备实战指南：清洗、处理与特征工程详解
决策树的魅力与剪枝策略在机器学习中，决策树（Decision Tree）是最经典且直观的分类与回归模型之一。其核心思想是通过树形结构来划分数据，最终生成一个可解释、可视化的决策过程。决策树在构建过程中，从根节点开始，根据特征将数据逐层分裂，直到满足某些条件时停止。然而，决策树虽然易于理解，但它也容易出现过拟合现象，尤其是在数据量较大时。为了解决这个问题，我们常常使用剪枝（Pruning）策略，来简化决策树，提高模型的泛化能力。本文将深入探讨决策树的基本原理、如何进行剪枝优化，并给出相关代码示例。
2025-07-09 18:02:13
1851
原创 【机器学习】（二）常见任务分类详解：分类、回归与聚类的区别与场景
当我继续深入机器学习这条路时，很快发现，仅仅搭建出一个模型并不能说明什么。我们要解决的第一个关键问题是：**我们究竟在处理哪一类机器学习任务？**不同任务类型之间的差异，直接决定了我们选用的算法、评估方式甚至数据准备的流程。因此，我将这一篇专门用于梳理机器学习中的三大任务类型：**分类、回归与聚类**，帮助你构建起从问题识别到模型构建的第一道逻辑屏障。文章将以定义 → 特点 → 应用场景 → 示例 → 算法推荐 → 常用评估指标的结构展开，每一类任务均配有案例、可视化图示与常用方法对比表，助你建立清晰认知。
2025-07-09 17:55:59
949
原创 【机器学习】（六）随机森林与集成思想：如何有效提升模型精度
随着数据量的增加，单一模型的性能往往难以满足实际需求。于是，**集成学习**作为一种有效的提升模型性能的方法应运而生。集成学习通过将多个模型组合起来，发挥每个模型的优势，极大地提高了预测的准确性与稳定性。
2025-07-09 17:38:38
995
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