<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[fgdhfsdgfd的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/fgdhfsdgfd</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; fgdhfsdgfd]]></copyright><item><title><![CDATA[knn案例：预测乳腺癌的良性或恶性]]></title><link>https://blog.youkuaiyun.com/fgdhfsdgfd/article/details/138204458</link><guid>https://blog.youkuaiyun.com/fgdhfsdgfd/article/details/138204458</guid><author>fgdhfsdgfd</author><pubDate>Fri, 26 Apr 2024 08:18:09 +0800</pubDate><description><![CDATA[个特征，包括肿瘤的半径、纹理、对称性等，以及目标变量，即肿瘤的性质（在构建模型之前，记得对数据进行标准化，以确保不同特征的尺度一致。使用准确率作为评估标准，评估模型的性能。使用交叉验证来选择最优的。值，以提高模型的性能。]]></description><category></category></item><item><title><![CDATA[KNN算法——特征预处理]]></title><link>https://blog.youkuaiyun.com/fgdhfsdgfd/article/details/138167159</link><guid>https://blog.youkuaiyun.com/fgdhfsdgfd/article/details/138167159</guid><author>fgdhfsdgfd</author><pubDate>Wed, 24 Apr 2024 20:22:44 +0800</pubDate><description><![CDATA[标准化是数据预处理中的一种常见技术，其目的是使数据集的特征在统计意义上具有相似的尺度，以便更好地进行分析和模型训练。避免特征权重偏向：如果特征的值处于不同的范围，那么模型可能会更多地关注值较大的特征，而忽略值较小的特征。帮助模型更快地收敛：当特征的值处于不同的范围时，模型可能需要更多的迭代才能找到最优解。提高模型的性能：归一化可以提高模型的性能，减少过拟合的风险，并改善模型的泛化能力。特征归一化是一种数据预处理技术，它有助于将不同特征的值缩放到相似的范围，以确保模型能够更好地学习和收敛。]]></description><category></category></item><item><title><![CDATA[KNN算法]]></title><link>https://blog.youkuaiyun.com/fgdhfsdgfd/article/details/138136213</link><guid>https://blog.youkuaiyun.com/fgdhfsdgfd/article/details/138136213</guid><author>fgdhfsdgfd</author><pubDate>Tue, 23 Apr 2024 20:13:32 +0800</pubDate><description><![CDATA[K近邻（K-Nearest Neighbors，简称KNN）算法是一种常用的监督学习算法，它可以用于分类和回归问题。KNN算法的基本思想是通过计算待分类样本与训练样本之间的距离，然后根据最近的K个邻居的类别来确定待分类样本的类别。]]></description><category></category></item><item><title><![CDATA[机器学习的概述]]></title><link>https://blog.youkuaiyun.com/fgdhfsdgfd/article/details/138065956</link><guid>https://blog.youkuaiyun.com/fgdhfsdgfd/article/details/138065956</guid><author>fgdhfsdgfd</author><pubDate>Mon, 22 Apr 2024 19:25:37 +0800</pubDate><description><![CDATA[1.人工智能(Artificial Intelligence)：概念： 人工智能是一种广泛的概念，指的是使计算机系统能够执行类似于人类智能的任务的技术和方法。半监督学习是介于有监督学习和无监督学习之间的一种学习方法，其训练数据中同时包含有标签和无标签的数据。有监督学习是机器学习中一种常见的学习方法，其训练数据包含了输入和对应的输出标签。无监督学习是一种机器学习方法，其训练数据没有标签或输出，模型需要自行发现数据中的模式和结构。：模型未能充分学习数据中的模式和规律，导致在训练集和测试集上都表现不佳的现象。]]></description><category></category></item></channel></rss>