<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Echoooooo679的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Echoooooo679</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Echoooooo679]]></copyright><item><title><![CDATA[使用PCA进行人脸图像降维与识别：从理论到实现]]></title><link>https://blog.youkuaiyun.com/Echoooooo679/article/details/156276972</link><guid>https://blog.youkuaiyun.com/Echoooooo679/article/details/156276972</guid><author>Echoooooo679</author><pubDate>Thu, 25 Dec 2025 19:27:52 +0800</pubDate><description><![CDATA[在矩阵论中，特征向量表示矩阵变换的“方向”，特征值表示该方向上的“缩放比例”。对于协方差矩阵，其特征向量对应于数据的主要变化方向，而特征值的大小则代表了该方向的重要性。]]></description><category></category></item><item><title><![CDATA[SVM分类实战：数据可视化 并绘制决策边界]]></title><link>https://blog.youkuaiyun.com/Echoooooo679/article/details/155825381</link><guid>https://blog.youkuaiyun.com/Echoooooo679/article/details/155825381</guid><author>Echoooooo679</author><pubDate>Thu, 11 Dec 2025 20:14:38 +0800</pubDate><description><![CDATA[线性可分问题：线性SVM能有效找到最大间隔分类器非线性问题：通过核技巧，SVM可以在高维空间中找到线性决策边界可视化：决策边界的可视化帮助我们理解模型的工作原理支持向量：只有少数关键样本影响最终决策，模型具有稀疏性SVM在实际应用中表现优异，特别是在小到中型数据集、高维特征空间的分类问题上。]]></description><category></category></item><item><title><![CDATA[朴素贝叶斯分类器求好瓜概率并使用拉普拉斯防溢出]]></title><link>https://blog.youkuaiyun.com/Echoooooo679/article/details/155321850</link><guid>https://blog.youkuaiyun.com/Echoooooo679/article/details/155321850</guid><author>Echoooooo679</author><pubDate>Thu, 11 Dec 2025 19:16:38 +0800</pubDate><description><![CDATA[朴素贝叶斯分类器优点在于1. 算法简单高效2. 对小规模数据表现良好缺点是1.特征条件独立性假设过强2.先验概率的影响较大朴素贝叶斯是一个简单但强大的基础分类器，虽然在强独立性假设下显得"朴素"，但在许多实际应用中表现优异。它特别适合作为基线模型，或者在对计算效率要求高的场景中使用。理解其优缺点有助于在实际项目中做出合适的选择。]]></description><category></category></item><item><title><![CDATA[决策树预剪枝实战]]></title><link>https://blog.youkuaiyun.com/Echoooooo679/article/details/155245123</link><guid>https://blog.youkuaiyun.com/Echoooooo679/article/details/155245123</guid><author>Echoooooo679</author><pubDate>Tue, 25 Nov 2025 22:13:04 +0800</pubDate><description><![CDATA[预剪枝是在决策树生成过程中，提前停止树的生长。max_depth：树的最大深度：节点分裂所需的最小样本数：叶节点所需的最小样本数预剪枝是决策树模型中简单却强大的技术。1.预剪枝能有效防止过拟合2.适度的剪枝提升模型泛化能力3.简单的模型往往表现更好。]]></description><category></category></item><item><title><![CDATA[生成决策树并测试决策树精度]]></title><link>https://blog.youkuaiyun.com/Echoooooo679/article/details/154143204</link><guid>https://blog.youkuaiyun.com/Echoooooo679/article/details/154143204</guid><author>Echoooooo679</author><pubDate>Mon, 10 Nov 2025 18:46:41 +0800</pubDate><description><![CDATA[是一种常用的机器学习算法，广泛应用于分类和回归问题。它通过树状结构表示决策过程，每个内部节点代表一个特征的测试，每个分支代表测试结果，每个叶节点代表一个类别或值。决策树的核心思想是递归地将数据集划分为更小的子集，直至满足停止条件。：衡量选择某一特征后数据集纯度的提升，适用于分类问题。：衡量数据集的不纯度，基尼指数越小，数据集越纯净。：用于回归问题，衡量预测值与真实值的差异。]]></description><category></category></item><item><title><![CDATA[用KNN算法实现对数据的分类（python）并画出ROC和PR曲线]]></title><link>https://blog.youkuaiyun.com/Echoooooo679/article/details/153416444</link><guid>https://blog.youkuaiyun.com/Echoooooo679/article/details/153416444</guid><author>Echoooooo679</author><pubDate>Sun, 19 Oct 2025 18:25:53 +0800</pubDate><description><![CDATA[该方法的思路非常简单直观：如果一个样本在特征空间中的K个最相似（即特征空间中最邻近）的样本中的大多数属于某一个类别，则该样本也属于这个类别。（4）对数据进行分类，分成训练集和测试集，取前80%为训练集，后20%为测试集，选取训练集的前20个数据进行分类并将分类的详细结果展示出来，确认无误后对剩余数据进行分类。KNN算法的核心思想是：如果一个样本在特征空间中的K个最相邻的样本中的大多数属于某一个类别，则该样本也属于这个类别，并具有这个类别上样本的特性。的原则，将测试样本点归入在K个点中占比最高的那一类。]]></description><category></category></item><item><title><![CDATA[Anaconda3下载安装，环境配置教程]]></title><link>https://blog.youkuaiyun.com/Echoooooo679/article/details/151896599</link><guid>https://blog.youkuaiyun.com/Echoooooo679/article/details/151896599</guid><author>Echoooooo679</author><pubDate>Sat, 20 Sep 2025 14:23:06 +0800</pubDate><description><![CDATA[点击Get Started，填写个人邮箱等相关信息，填写完成后会有下载链接发送至邮箱，点击下载即可。]]></description><category></category></item><item><title><![CDATA[Java面向对象、基本框架和常用工具类]]></title><link>https://blog.youkuaiyun.com/Echoooooo679/article/details/145729253</link><guid>https://blog.youkuaiyun.com/Echoooooo679/article/details/145729253</guid><author>Echoooooo679</author><pubDate>Wed, 19 Feb 2025 16:31:25 +0800</pubDate><description><![CDATA[—对象可以视为是一种奇特的变量，能够直接反应现实生活中的事物，例如人、花、草等。（突然想到刚刚学的《数据结构》的课中讲的数据对象，应该是同样的意思吧），每个对象都有各自不同的状态及行为特征。]]></description><category></category></item><item><title><![CDATA[尝试使用虚拟机配置python3.8环境（失败）]]></title><link>https://blog.youkuaiyun.com/Echoooooo679/article/details/145359787</link><guid>https://blog.youkuaiyun.com/Echoooooo679/article/details/145359787</guid><author>Echoooooo679</author><pubDate>Sat, 25 Jan 2025 22:30:58 +0800</pubDate><description><![CDATA[发现无法配置，怀疑是在这个虚拟机上未安装anaconda（虽然我也不知道有没有关系），于是我打开了18.04版本的虚拟机，再次输入了该命令。被告诉未找到‘git’的命令，于是按照要求进行修改，先使用另一个命令安装好‘git’这个命令。然后我去万能的优快云上进行搜索，发现可能是pip版本低，使用大佬给出的命令进行更新。根据系统给出的建议，我把命令中的“pip”修改为了“-m pip”，但是还是无法进行。升级完后，我再次输入命令，结果！打开后，在yolov5文件夹中进行后续命令。]]></description><category></category></item><item><title><![CDATA[从C语言到C++（基于C语言的基础，着重于学习C++与之不同的地方）]]></title><link>https://blog.youkuaiyun.com/Echoooooo679/article/details/144279139</link><guid>https://blog.youkuaiyun.com/Echoooooo679/article/details/144279139</guid><author>Echoooooo679</author><pubDate>Tue, 10 Dec 2024 22:15:38 +0800</pubDate><description><![CDATA[在C++中，预定义宏的概念是用内联函数来实现的，而内联函数本身也是一个真正的函数。内联函数具有普通函数的所有行为。首先 C++是能够兼容C语言的，C++继承了C语言高效，简洁，快速和可移植的传统。把客观事物封装成抽象的类【具有相同的数据和相同的操作的一组对象的集合】，并且类可以把自己的数据和方法只让可信的类或者对象操作，对不可信的进行信息隐藏。访问队首s.front():队尾s.back(): 获取长度s,size();s.substr(n)(这个指从第n个字符开始，其后面的字符全部存入所定义的变量中）]]></description><category></category></item></channel></rss>