- 博客(4)
- 收藏
- 关注
RSS订阅原创 SVM 参数调优实验（线性 + 高斯核）
1. 生成网格点（覆盖整个特征空间，用于绘制决策边界）h = 0.02 # 网格步长（越小边界越平滑）x_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1 # 特征1的范围y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1 # 特征2的范围# 2. 预测网格点的类别（用于填充分类区域）Z = Z.reshape(xx.shape) # 重塑为网格形状# 3. 绘制分类区域（半透明）
2025-12-22 23:41:37
574
原创 用朴素贝叶斯给西瓜挑好坏
贝叶斯定理是核心：后验概率 = （似然概率 × 先验概率）/ 证据因子；朴素假设：特征间相互独立，简化联合概率计算；离散特征：拉普拉斯平滑解决 “零概率” 问题；连续特征：假设服从正态分布，用概率密度函数替代频率统计。
2025-12-03 22:19:48
803
原创 用贷款数据从零实现 ID3/C4.5 决策树 + 可视化
数据编码别搞混：一开始把 “信贷情况” 的 2（非常好）写成 1，导致树结构错了，后来把编码表写在注释里才解决；递归别慌：一开始觉得递归难，后来发现只要写好 “终止条件”（两个 if），剩下的就是重复 “选特征→分子集”，很规律；画图先测试小功能：比如先跑通 “算树深度” 的函数，再画节点，不然最后找 bug 要花很久；准确率不是越高越好：如果训练集准确率 100%，测试集很低，可能是 “过拟合”，可以加 “剪枝”（比如限制树的最大深度）。
2025-11-13 00:47:30
923
原创 用 KNN 算法帮海伦找到心仪约会对象：从原理到完整实现
本文通过海伦的约会推荐需求，完整实现了 KNN 分类器，从原理到代码落地全程拆解。KNN 算法的核心是 “距离 + 投票”，适合小样本、低维度的分类任务。特征归一化是 KNN 的关键预处理步骤，直接影响距离计算的公平性。K 值和距离方法需通过交叉验证选择，避免过拟合或欠拟合。
2025-10-30 18:28:57
536
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