<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Delairs的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Delairs</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Delairs]]></copyright><item><title><![CDATA[支持向量机SVM简单介绍及代码实践]]></title><link>https://blog.youkuaiyun.com/Delairs/article/details/139599558</link><guid>https://blog.youkuaiyun.com/Delairs/article/details/139599558</guid><author>Delairs</author><pubDate>Tue, 11 Jun 2024 16:05:47 +0800</pubDate><description><![CDATA[支持向量机是一种灵活且强大的机器学习算法，它通过最大化间隔和使用核技巧，能够有效地处理线性和非线性问题。在二维空间中，超平面是一个线，而在更高维空间中，它是一个平面或更一般的线性边界。核函数是SVM处理非线性问题的关键。RBF核，也称为高斯核，是一种非常流行的核函数，它测量两个数据点之间的欧几里得距离。SVM的目标是找到一个超平面，使得两个类别的数据点被分隔开，并且这个间隔。ν-SVM是另一种变体，它使用参数ν来控制不满足间隔要求的数据点的比例。C-SVM是最基本的SVM形式，通过参数C控制软间隔的大小。]]></description><category></category></item><item><title><![CDATA[逻辑回归--理论介绍及代码实践]]></title><link>https://blog.youkuaiyun.com/Delairs/article/details/139480032</link><guid>https://blog.youkuaiyun.com/Delairs/article/details/139480032</guid><author>Delairs</author><pubDate>Mon, 10 Jun 2024 00:38:39 +0800</pubDate><description><![CDATA[逻辑回归是一种预测分析方法，用于估计一个事件的发生概率。它通过使用逻辑函数将线性回归的输出映射到0或1（或更普遍的，到0和1之间的概率）来实现这一点。]]></description><category></category></item><item><title><![CDATA[朴素贝叶斯分类器：简单而强大的分类工具]]></title><link>https://blog.youkuaiyun.com/Delairs/article/details/139293489</link><guid>https://blog.youkuaiyun.com/Delairs/article/details/139293489</guid><author>Delairs</author><pubDate>Wed, 29 May 2024 18:11:45 +0800</pubDate><description><![CDATA[朴素贝叶斯分类器是基于贝叶斯定理的分类算法。贝叶斯定理是概率论中描述两个条件概率关系的公式，表示为：在分类问题中，我们通常使用贝叶斯定理来计算给定观测数据特征X和类别标签C的概率，即后验概率𝑃(𝐶∣𝑋)P(C∣X)。朴素贝叶斯通过假设特征之间相互独立（这就是“朴素”一词的由来），简化了后验概率的计算。]]></description><category></category></item><item><title><![CDATA[决策树简单介绍及实践]]></title><link>https://blog.youkuaiyun.com/Delairs/article/details/138345133</link><guid>https://blog.youkuaiyun.com/Delairs/article/details/138345133</guid><author>Delairs</author><pubDate>Tue, 30 Apr 2024 15:55:32 +0800</pubDate><description><![CDATA[决策树是一种直观的模型，通过树状结构表示决策过程。每个内部节点代表一个特征上的判断，每个分支代表一个判断结果的输出，每个叶节点代表最终决策结果。决策树作为一种强大的机器学习算法，以其直观性和易于实现的特点，在数据科学领域占有一席之地。尽管存在一些局限性，但通过合适的优化和集成方法，决策树可以成为解决复杂问题的有效工具。]]></description><category></category></item><item><title><![CDATA[分类模型评估指标以及ROC曲线和PR曲线]]></title><link>https://blog.youkuaiyun.com/Delairs/article/details/137829601</link><guid>https://blog.youkuaiyun.com/Delairs/article/details/137829601</guid><author>Delairs</author><pubDate>Tue, 16 Apr 2024 16:58:28 +0800</pubDate><description><![CDATA[选择合适的评估指标取决于具体的应用场景和业务需求。例如，如果我们更关心减少假正例的数量，可能会更关注精确率；如果我们希望尽可能多地识别出所有正类样本，召回率可能更为重要。在实际应用中，通常会结合多个指标来综合评估模型的性能。]]></description><category></category></item><item><title><![CDATA[KNN/K邻近算法的简单理论及python实现]]></title><link>https://blog.youkuaiyun.com/Delairs/article/details/137756544</link><guid>https://blog.youkuaiyun.com/Delairs/article/details/137756544</guid><author>Delairs</author><pubDate>Tue, 16 Apr 2024 13:07:43 +0800</pubDate><description><![CDATA[在Python中实现KNN算法，我们通常会使用`scikit-learn`库，它提供了一个简单易用的KNN实现。以下是一个使用`scikit-learn`中的`KNeighborsClassifier`和`KNeighborsRegressor`进行分类和回归的基本示例。虽然它在处理大数据集时可能会遇到性能瓶颈，但通过合理的优化和选择合适的参数，KNN仍然是一个非常有用的工具。对于一个新的数据点，我们想要预测它的标签或数值，我们只需查看训练集中与之最相似的K个数据点，然后根据这些邻居的信息来做出预测。]]></description><category></category></item><item><title><![CDATA[PyCharm与Anaconda安装留档]]></title><link>https://blog.youkuaiyun.com/Delairs/article/details/137798589</link><guid>https://blog.youkuaiyun.com/Delairs/article/details/137798589</guid><author>Delairs</author><pubDate>Mon, 15 Apr 2024 22:43:12 +0800</pubDate><description><![CDATA[作业*PyCharmAnaconda。]]></description><category></category></item></channel></rss>