- 博客(6)
- 收藏
- 关注
RSS订阅原创 SVM分类器实战：线性核与RBF核的数据集适配与可视化全流程
plt.scatter(X_neg[:, 0], X_neg[:, 1], c='orange', marker='o', s=60, edgecolors='black', label='负样本（y=0）')plt.scatter(X_neg[:, 0], X_neg[:, 1], c='orange', marker='o', s=60, edgecolors='black', label='负样本（y=0）')γ越小 ，模型泛化能力越强（默认 gamma='scale' ，自动根据数据标准差适配）。
2025-12-29 13:08:07
783
原创 基于朴素贝叶斯的西瓜分类实战：概率模型的原理与完整实现
离散特征条件概率：P(x_i \mid C) = \frac{\text{类别}C\text{中特征}i\text{取}x_i\text{的样本数} + 1}{\text{类别}C\text{的样本数} + \text{特征}i\text{的取值数}}“朴素”一词的核心含义的是特征间条件独立——假设样本的每个特征对类别的影响相互独立，不受其他特征干扰。- 离散特征先验概率：P(C) = \frac{\text{类别}C\text{的样本数} + 1}{\text{总样本数} + \text{类别数}}
2025-12-26 09:53:54
843
原创 ID3算法的预剪枝实战：决策树过拟合抑制与模型优化
train_data, val_data = train_test_split(data, test_size=0.3, random_state=42, stratify=data['类别'])- 信息熵（Entropy）：衡量数据集的不确定性，熵值越高，数据类别分布越混乱（公式：H(D) = -\sum_{k=1}^{K} p_k \log_2 p_k，p_k为第k类样本占比）。majority_label = train_data['类别'].value_counts().idxmax()
2025-12-26 09:53:44
955
原创 ID3与C4.5算法实战：贷款决策树模型构建与对比分析
"有自己的房子": ["否", "否", "否", "是", "否", "否", "否", "是", "是", "是", "是", "是", "否", "否", "否"],"是否批准贷款": ["否", "否", "是", "是", "否", "否", "否", "是", "是", "是", "是", "是", "是", "是", "否"]"有工作": ["否", "否", "是", "是", "否", "否", "否", "是", "否", "否", "否", "否", "是", "是", "否"],
2025-12-25 19:13:50
584
原创 K近邻算法
KNN（K-Nearest Neighbors）算法是一种简单直观的监督学习算法，核心思想是“物以类聚”——通过计算待分类样本与训练集中所有样本的距离，选取最近的K个样本，以这K个样本的多数类别作为预测结果。X_test: 测试特征矩阵（n_test_samples, n_features）X_test: 测试特征矩阵（n_test_samples, n_features）X_test: 测试特征矩阵（n_test_samples, n_features）
2025-12-25 19:05:44
301
原创 【无标题】关于下载anaconda
启动Jupyter Notebook：在Anaconda Navigator的“Home”页，点击“Jupyter Notebook”下方的“Launch”，会自动在浏览器中打开界面，可创建Python脚本文件（.ipynb），适合数据分析和代码调试。下载完成后，找到安装包文件（通常在“下载”文件夹中，文件名类似“Anaconda3-2024.02-Windows-x86_64.exe”），双击启动安装程序，不同系统的安装步骤略有差异，按以下指引操作即可。[yes|no]”，输入“yes”并回车。
2025-10-04 16:35:07
384
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