DataAnalysts的博客

朴素贝叶斯算法 原理：通过某对象的先验概率，利用贝叶斯公式计算出后验概率，即该对象属于某一类的概率，选择具有最大后验概率的类作为该对象所属的类。 主要特点： 属性可以离散，也可以连续； 数学基础扎实，分类效率稳定； 对缺失和噪声数据不太敏感； 属性如果不相关，分类效果很好；如果相关，则不低于决策树。 学习模型：计算对象归属于某一类的后验概率，以此最大概率的类作为对象所属类。即待学习的是对象的后...

K近邻算法 原理：通过计算新数据和训练数据特征值之间的距离，然后选取K个距离最近的邻居进行分类判断（投票法）或者回归。 特点：不具有显示的学习过程，直接预测。实际上式利用训练数据集对特征向量空间进行划分，并且作为其分类的“模型”。 k值选择： k=1，称为最近邻算法。此时将训练集中与测试样本最近的点类别作为测试样本的分类。 k较小，用较小的邻域中的训练实例进行预测。偏差较小，方差较大，对近邻的实...

PCA 原型：class sklearn.decomposition.PCA(n_components=None,copy=True,whiten=False) 参数： 属性： 方法： 注：该方法基于SVD分解，无法解决稀疏项，并无法处理超大规模数据，因为其要求所有数据一次加入内存。 代码实例： 加载包 ...