特征及决策函数

最新推荐文章于 2025-11-26 15:49:07 发布
最新推荐文章于 2025-11-26 15:49:07 发布
阅读量86 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： 茶桁的 AI 秘籍-CV 篇 茶桁的 AI 会员专栏 文章标签： 人工智能 机器学习 算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/ivandoo/article/details/140535543
了解本专栏 订阅专栏 解锁全文 超级会员免费看
Python机器学习：分类器决策函数详解
这家伙很懒，什么都没有留下
11-06 1385
目录 引言 一、决策函数的基本概念 支持向量分类器（SVC）中的决策函数 决策树中的决策函数 二、决策函数的应用 1. 使用决策树进行分类 2. 使用SVC中的决策函数 3. 使用GradientBoostingClassifier获取不确定度估计 三、决策函数的深入理解 决策函数的性质 决策函数的应用场景 决策函数的局限性 四、优化与改进决策函数 特征选择与工程 正则化与超参数调优 集成学习方法 处理不平衡数据 异常值处理 五、实际案例分析与代码实现 数据准备 模
判别函数与决策面
林景的博客
09-18 1103
判别函数与决策面 对于MMM类的任务，风险概率和错误率的最小化等价于将特征空间分为MMM个区域。如果区域RiR_iRi​和RjR_jRj​正好相邻，它们在多维特征空间中由决策面（Decision Surface）划分。 对于最小错误率的情况，可描述为： P(wi∣x)−P(wj∣x)=0(1) P(w_i|x)-P(w_j|x)=0 \tag 1 P(wi​∣x)−P(wj​∣x)=0(1) 现记gi(x)=f(P(wi∣x)g_i(x)=f(P(w_i|x)gi​(x)=f(P(wi​∣x)，其中f(⋅)
贝叶斯决策及效用函数
SkyfromGD的博客
06-09 3012
1.1贝叶斯决策的基本情况： 贝叶斯决策主要是决策，其理论基础和模型基础是全概率公式和贝叶斯公式。(具体可参考概率论课程的课本) 1.2 贝叶斯公式在贝叶斯决策中所起的作用： (1)如果试验E有两个相关的试验E1，E2复合而成，E1有若干种可能的结果，E2在E1的基础上也有若干种可能的结果，如果已知和E2的结果有关某事件发生了，求和试验E1的结果有关事件的概率，可以用贝叶斯公式．试验E1的几种可能的结果就构成了完备事件组(贝叶斯决策中的重要基础条件)。 (2)如果把样本空间的一个划分A1, A2, …,
线性判别函数和决策超平面
林景的博客
09-22 1317
线性判别函数和决策超平面 前导知识：【正态分布下贝叶斯决策的特例（一）】，【正态分布下贝叶斯决策的特例（二）】 关注两类情况下的线性判别函数，在ddd维特征空间中，各自的决策超曲面是一个超平面，即： g(x)=wTx+w0=0(1) g(x)=w^Tx+w_0=0 \tag 1 g(x)=wTx+w0​=0(1) 其中w=[w1,w2,...,wd]Tw=[w_1,w_2,...,w_d]^Tw=[w1​,w2​,...,wd​]T是权向量，w0w_0w0​是阈值。如果x1x_1x1​，x2x_2x2​是决
SVM决策边界及损失函数
weixin_41857483的博客
11-04 4127
回顾决策边界 回顾一下前面博客中提到的决策边界，在二维的平面上，决策边界即超平面是一条直线。 现在假设有N个样本点，每个样本点表示为(xi_ii​, yiy_iyi​)，xi_ii​是特征向量。为了便于理解，所以假设每个样本有2个特征，即对于任意一个样本i有： (x1i_{1i}1i​, x2i_{2i}2i​, yi{y_i}yi​)，就表示他们的两个特征值和对应的标签。 接着在二维平面上，将它们表示出来（相当于用x1_{1}1​来表示横坐标，x2_{2}2​表示纵坐标，y{y}y表示类别，图中体现为蓝色
决策树及MATLAB函数使用
热门推荐
沉心修炼
12-13 5万+
决策树算法以及MATLAB函数使用 决策树的生成是一个递归的过程，在决策树算法
机器学习python实践中对于决策函数（decision_function）的一些个人思考
SZX0311的博客
05-30 2167
最近在利用python进行实践训练，但是跟着参考书学习到SVM的时候，示例代码里突然出现了一个函数——decision_function()，让我很懵逼，帮助文档里的英文翻译过来说啥决策函数、ovr、ovo之类的，让我整个人更晕了，因为我在理论部分参考的是周志华老师的《西瓜书》，而《西瓜书》中并没有对这些进行说明。，它就是一个决策函数，我们可以将样本点带入到这个方程中进行计算，即给决策函数一个输入，如果这个方程算出的结果＞0，即输出结果＞0，那么这个样本点将被分到“正样本”这一类；
决策树——对函数的解析（超详解）
qq_50206012的博客
09-23 1594
1、X，y的array数组 X=np.array([['Yes985','本科','C++'], ['Yes985','本科','Java'], ['No985' ,'硕士','Java'], ['No985' ,'硕士','C++'], ['Yes985','本科','Java'], ['No985' ,'硕士','C++'], ['Yes985','硕士',
决策树及matlab实现
heheyangxyy的博客
04-27 1万+
决策树及matlab实现 决策树逻辑实现
决策树-特征选择
oQingTian123456的专栏
03-16 1862
决策树的特征选择标准有两种：信息增益，信息增益比0.熵指不稳定程度。熵越大，不稳定程度越高，则越容易分裂。决策树中也指某结点内含信息量较多，分类能力较差.计算公式：    H(X)=-∑Pi logPi其中，Pi为随机变量X在样本空间的分布，即第i个类型出现的概率。∑为i到n求和。n为特征取值种类数量.PS：为何使用这样的一个函数？XlogX的函数图像：从图像中可以看出，在Pi取0.5附近时函数取...
一种基于SIFT特征及决策函数的人脸识别方法.pdf
09-23
总结来说，基于SIFT特征及决策函数的人脸识别方法是一种有效的身份验证手段，通过精确的特征提取和匹配策略，提高了在各种条件下的识别性能。这种方法的实施需要理解图像处理、机器学习以及特征匹配的原理，对于...
精选资源
dynprogs_MATLAB动态规划函数及测试程序_多阶段决策_多阶段规划_together1rz_
09-30
标题中的“dynprogs_MATLAB动态规划函数及测试程序_多阶段决策_多阶段规划_together1rz_”表明这是一个关于使用MATLAB实现动态规划算法的资源包，主要用于解决涉及多阶段决策和规划的问题。动态规划是一种在数学、...
精选资源
软件测试NextDate函数决策表测试法实验报告.docx
07-10
在这个NextDate函数的实验报告中，我们主要关注如何应用决策表测试法来确保函数的正确性。 实验的目标是掌握决策表测试法，并应用于NextDate函数的测试。该函数用于计算给定日期的下一个日期，考虑到不同月份天数的...
基于学习的人工智能（1）为什么学习？
致力于大数据+AI 的应用创新。
11-24 293
学习是人类最重要的认知活动之一，贯穿我们的一生。出生后，我们无时无刻不在学习：从父母那里学说话，自己尝试走路，从小伙伴那里学会折纸飞机，从老师那里学到语文、数学等各种知识。研究人员始终将光源和风扇放在同一侧，经由学习，玉米幼苗逐渐学会了“有风的地方就会有光”的规律。之后，研究人员移去光源，并改变风扇方向，玉米幼苗依然按照所学知识，向风扇方向生长。1959 年，美国计算机学家亚瑟·塞缪尔设计了一款可以自我学习的跳棋程序，并将这一新方法称为“机器学习”，从而开启了机器自我学习的道路。
三大空间信息焕新：辉视让酒店服务、教育通知、监所管控更智能高效
CalebLXL的博客
11-24 874
走访这些场所后我发现，系统的真正价值不在于那些炫目的屏幕，而在于它构建了一套"空间信息免疫系统"——就像人体淋巴网络般，能智能识别各区域的信息需求，精准输送"营养"，快速清除"毒素"。当我们在酒店大堂不再错过末班机场大巴，在学校走廊偶遇恰好需要的竞赛通知，甚至在高墙内获得规整的信息权时，或许该重新思考：所谓智能化，本质是对空间信息代谢效率的一次外科手术式改造。这种荒诞的割裂感，正是传统信息分发模式崩溃的缩影——直到我最近走访数家采用辉视系统的场所，才意识到我们早已进入"精准信息触达"的新纪元。
（116页PPT）关于5G和新基建赋能智慧工地整体解决方案（附下载方式）
2501_92808811的博客
11-25 631
在整体架构方面，方案以“5G智慧工地平台”为核心，依托多类感知设备（如传感器、摄像头、AI眼镜、智能安全帽等）采集数据，通过5G网络实时回传至云平台，再借助大数据、云计算、人工智能等技术进行分析处理，最终在PC、手机、监控大屏等多终端进行可视化展示。此外，文件还详细列举了传统智慧工地子系统（如深基坑监测、升降机监控、扬尘噪音监测、智能水电计量等）的功能与部署方式，并补充了如5G企业专网、实测机器人、智慧科技体验中心等延伸应用，体现出方案的系统性与前瞻性。详细资料请看本解读文章的最后内容。
信息检索13
最新发布
2301_80828873的博客
11-26 1021
最近邻检索的方法，PQ，IVF,HNSW
中国计算机学会（CCF）推荐学术会议-A（人工智能）：ACL 2026
iaast的博客
11-24 545
大会官网：https://2026.aclweb.org/录用率：20.3%（1699/8360，2025年）时间地点：2026年7月2日-加州·美国。截稿时间：2026年1月5日。CCF推荐：A（人工智能）
RAG 的诞生：为了让 AI 不再“乱编”
weixin_44876263的博客
11-24 817
RAG全称，中文为“检索增强生成”。其核心思想是：在生成答案时，不仅依赖大模型内部的训练知识，还能够实时访问外部知识库或文档，从而生成更加准确和可靠的内容。就像一个学生回答问题，不仅依靠自己记忆，还会去图书馆查资料，然后结合记忆和查到的资料回答问题。你问模型：“请告诉我最新的新能源补贴政策。纯模型可能只靠训练记忆，回答的是过时或模糊的信息。RAG 模型会先去查最新政策文件，再结合训练知识生成答案，因此更准确。检索资料：先找到相关文档或信息。结合生成：把找到的资料和问题一起输入模型，让模型生成答案。
决策树函数
10-10
决策树函数是用于构建和操作决策树模型的工具，主要用于分类和回归任务。决策树是一种非参数的监督学习方法，通过递归地将数据分成两个或多个子集来工作，每次分割基于一个具有最大信息增益（或其他分割标准，如基尼不纯度）的特征进行。然而，决策树本身不直接提供每个特征对最终决策的影响力大小，而是通过树的结构反映特征的重要性 [^1]。 ### Python中`sklearn`库的`export_graphviz`函数 这是`sklearn`库中用于将决策树模型导出为Graphviz格式的函数，可用于可视化决策树。 - **使用方法**： ```python from sklearn.tree import export_graphviz import graphviz # 假设已经有一个训练好的决策树模型 decision_tree # 假设特征名称列表为 feature_names，类别名称列表为 class_names dot_data = export_graphviz(decision_tree, out_file=None, feature_names=feature_names, class_names=class_names, filled=True, rounded=True, special_characters=True) graph = graphviz.Source(dot_data) graph.render("decision_tree") # 保存为文件 ``` - **参数说明**： - `decision_tree`：决策树对象。 - `out_file`：输出文件的句柄或名称。 - `feature_names`：特征名称列表。 - `class_names`：类别名称列表，按升序排序。 - `filled`：绘制节点以指示分类的多数类、回归值的极值或多输出的节点的纯度。 - `rounded`：设置为`True`时，使用圆角进行绘制。 - `special_characters`：设置为`True`时，使用特殊字符 [^4]。 ### R语言中`rpart`包相关函数 - **使用方法**： ```R # 加载所需包 library(rpart) library(rpart.plot) # 假设已经有数据集 data，目标变量为 target，特征变量为 features # 构建决策树模型 model <- rpart(target ~ ., data = data) # 按照指定复杂度对决策树剪枝 pruned_model <- prune(model, cp = 0.01) # 可视化训练、剪枝好的决策树 prp(pruned_model, type = 2, extra = 104, fallen.leaves = TRUE) ``` - **函数说明**： - `rpart`函数：用于构建决策树模型。 - `prune`函数：按照指定复杂度对决策树剪枝。 - `prp`函数：用于可视化训练、剪枝好的决策树，`type`、`extra`、`fallen.leaves`等参数可控制决策树精细化显示 [^3]。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

茶桁

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值