FHY26828的博客

BP神经网络（Back Propagation Neural Network，反向传播神经网络）是一种前馈神经网络，通过误差反向传播算法来训练模型权重和偏置。它是人工神经网络中最常见的模型之一，特别适用于非线性函数的拟合和分类问题。

卷积神经网络（Convolutional Neural Network, CNN）是一种专门用于处理数据网格结构（如图像、视频等）的深度学习模型，在计算机视觉任务中被广泛应用，如图像分类、目标检测、图像分割等。以下是卷积神经网络的详细介绍：核心组件：激活函数： 常用ReLU函数引入非线性，帮助模型学习复杂模式。特点：LeNet-5： 主要用于手写数字识别，包括多个卷积层和池化层组合。VGGNet： 探索卷积网络深度与性能的关系，VGG16和VGG19为其常见变体。ResNet： 引入残差模块，允许数据直接跳

Keras 是一个高级神经网络 API，用 Python 编写，能够在 TensorFlow、Theano 等深度学习框架上运行。Keras 以简洁性和用户友好性著称，允许快速构建、训练和部署深度学习模型。

K-Means：适合规则分布的大规模数据，快速聚类。层次聚类：适合小规模数据和需要层次结构的场景，如基因分析或市场细分。DBSCAN：适合处理复杂形状簇和含有噪声的数据，如地理空间数据或异常检测。距离和相似度度量：用于选择合适的距离度量方式，根据数据的特征进行优化选择。这些算法在不同的应用场景中表现各异，建议根据数据特点选择合适的算法。如果有其他问题或需要深入探讨，可以随时提问！这段代码实现了对鸢尾花数据集的层次聚类，并通过树状图可视化了数据点的合并过程。

M-P 神经元模型由神经生理学家沃伦·麦卡洛克（Warren McCulloch）和数学家沃尔特·皮茨（Walter Pitts）于1943年提出。它是最早的数学神经元模型，旨在模拟生物神经元的工作方式，用来处理多输入单输出的信息。模型描述特点应用场景单层感知器最简单的线性分类器，由弗兰克·罗森布拉特提出只能处理线性可分的问题，结构简单，计算量小简单分类任务多层感知器（MLP）在输入层和输出层之间加入了若干隐藏层，增加非线性能力可以处理复杂的非线性问题，通过反向传播进行训练。

最佳模型：SVM 在垃圾短信分类任务中表现最好，具有最高的准确率和较高的精确率和召回率。其他模型：朴素贝叶斯和决策树模型的表现也不错，但相较于 SVM，分类的准确度略有不足，尤其是在垃圾短信的识别方面。

LightGBM最佳参数: {'learning_rate': 0.01, 'n_estimators': 200, 'num_leaves': 31}XGBoost最佳参数: {'learning_rate': 0.01, 'max_depth': 3, 'n_estimators': 200}最佳参数: {'max_depth': None, 'min_samples_split': 2, 'n_estimators': 100}XGBoost分类器 - 准确率: 1.0, F1得分: 1.0。

定义和训练贝叶斯模型# 在测试集上进行预测# 获取预测概率详细解释：我们定义了一个高斯朴素贝叶斯模型，适用于数值特征呈现高斯分布的数据。fit()：这是模型训练的步骤。使用X_train作为输入特征，y_train作为标签来训练贝叶斯分类器。predict()：训练完成后，我们使用测试集X_test进行预测，预测结果存储在nb_y_pred中。：输出每个样本属于每个类别的概率。这将用于绘制ROC曲线。# 定义并训练决策树模型# 使用决策树进行预测# 输出模型分类结果的评价指标。

回归分析：用于分析特征与目标变量之间的关系，常用于连续变量的预测任务。数据预测：通过机器学习的回归模型，进行模型选择、训练和评估，提升预测效果。特征重要性与模型优化：通过特征选择、正则化、超参数调整和交叉验证，简化模型并提升预测能力。

机器学习的项目中都需要大量的数据，这些数据来源于现实生活、scikit-learn库或 Keras 库等，然后对数据进行探索是训练模型的必修课。特征值包括城镇人均犯罪率、住宅用地所占比例、每栋住宅的平均房间数、到达高速公路的便利指数、城镇非零售业的商业用地所占比例等。库中的鸢尾花数据集，显示数据集特征值和标签值的类型、属性和部分数据，并绘制花瓣长度和花瓣宽度与鸢尾花品种的散点图。个标签值，其中特征值分别是花萼长度、花萼宽度、花瓣长度和花瓣宽度，标签值表示鸢尾花的种类，分别是 Setosa。