- 博客(8)
- 收藏
- 关注
RSS订阅原创 主成分分析法（PCA）
主成分分析（Principal Component Analysis, PCA）是一种广泛应用于数据降维、特征提取和可视化的无监督学习方法。其核心目标是通过线性变换将高维数据投影到低维空间，同时保留数据的主要信息（方差最大），从而简化数据结构、减少计算复杂度并抑制噪声。1. PCA的核心思想数据降维：将原始数据从高维空间（如100维）映射到低维空间（如2维或3维），同时尽可能保留数据的方差（信息）。最大化方差。
2025-06-16 18:26:19
1029
原创 基于SVMs的垃圾邮件分类器
SVM是一种强大的分类算法，尤其适用于高维稀疏数据（如文本分类）。其核心思想是通过最大化间隔和引入核技巧，实现高效且鲁棒的分类。在实际应用中，需根据数据特点选择合适的核函数和参数，并通过交叉验证优化性能。对于垃圾邮件分类任务，线性SVM通常是首选，因其速度快且在高维稀疏数据上表现优异。如果数据存在复杂非线性关系，可以尝试RBF核，但需注意计算开销和过拟合风险。
2025-06-02 19:30:46
428
原创 逻辑回归模型实现
其核心思想是通过线性回归模型预测的结果，利用逻辑函数（如Sigmoid函数）将输出映射到0到1之间的概率值，从而实现对样本类别的预测。逻辑回归（Logistic Regression）是一种经典的统计学习方法，尽管名字中带有“回归”，但它本质上是一种用于解决。逻辑回归凭借其简洁性和可解释性，仍是工业界和学术界的常用工具，尤其在需要透明决策的场景（如医疗、金融）中不可替代。：线性回归直接输出连续值，无法直接用于分类任务（如判断邮件是否为垃圾邮件）。其中，z=wTx+b（w为权重，b为偏置，x为输入特征）。
2025-05-19 21:06:38
552
原创 决策树（ID3、CART）
决策树是一种简单且直观的算法，但容易过拟合，通常需要结合剪枝或集成方法（如随机森林、GBDT）来提高性能。ID3适合小规模分类任务，但无法处理连续特征。CART是更通用的算法，支持分类和回归，且能处理连续特征，是现代决策树算法的基础。
2025-04-21 18:33:06
923
原创 KNN算法分类模型评估
分类模型评估是模型开发的核心环节，通过混淆矩阵和各种评估指标，我们可以全面了解模型的性能。在实际应用中，需要根据任务需求和数据特点选择合适的评估方法，并关注类别不平衡问题。通过持续的评估和优化，可以提升模型的实用性和可靠性。
2025-04-07 20:12:58
704
原创 KNN算法应用实例——海伦约会配对
KNN算法是一种基于实例的学习方法，根据离待分类样本最近的k个训练样本的类别来确定待分类样本的类别。是一种简单而有效的分类算法，适用于小规模数据集和多分类问题。
2025-03-24 19:54:01
923
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人