m0_73992490的博客

原创 【机器学习】第十三章 主成分分析PCA

PCA，即主成分分析法，主要用于对数据的降维，可以通过线性变换将原始数据投影到新的坐标系上实现降维，使其数据更加便于理解，其中这些新的坐标轴称为主成分，按照其对应的方差大小依次排列，第一主成分对应方差最大，第二主成分对应方差次大，以此类推。什么是降维？降维是指通过保留一些重要特征并去除冗余特征，减少数据特征的维度的过程为什么要进行PCA降维处理？（1）高维数据增加了运算难度，故可以降低许多算法的计算开销（2）高维数据使得算法的泛化能力变弱，故可以提高泛化能力。

原创 【机器学习】第六章 支持向量机

在特征空间中寻找一个最优的超平面来对样本进行分割，分割的原则是最大化不同类别数据点之间的间隔，同时确保这些数据点被正确分类通过本次学习，我对SVM有了更进一步的理解，相对于前面学习到的几个分类方法，SVM因为具有更加良好的泛化能力和对高维数据的处理能力，特别适用于处理数据集较小的情况。SVM对数据进行分类的核心思想就是在特征空间中寻找一个超平面，然后以最大限度地分隔开不同类别的数据点。

原创 【机器学习】第五章 Logistic回归

（1）回归算法主要解决连续数据的问题，用来预测数值型数据，即可以建立一个函数，然后通过输入自变量来预测一个连续目标变量。如房价预测中，可以通过输入房屋的面积、房间数等特征来预测输出房屋的价格对象：连续变量重点：数值预测的准确性常见：线性回归等（2）分类算法主要解决离散数据的问题，对数据进行分类，即将输入数据划分到预定义的类别，如图像识别、文本分类等例子中对对象进行分类对象：离散变量重点：对象分类的准确度常见：决策树、支持向量机，逻辑回归等。

原创 【机器学习】第四章 朴素贝叶斯

朴素贝叶斯是一种基于贝叶斯定理与特征条件独立假设的分类算法（其中比贝叶斯多出来的“朴素”就是指各个特征条件独立），其核心思想是通过考虑各个特征的概率来预测分类（即对于给出的待分类样本，计算该样本在每个类别下出现的概率，最大的就被认为是该分类样本所属于的类别借此机会，我更加深入的学习到了朴素贝叶斯的相关知识，了解到了相关的计算方式，算法以及适用的几种模型，同时我也更加了解到了前面提到的关于朴素贝叶斯的其中一个缺点：对于输入数据的准备方式比较敏感，需要对数据进行适当的预处理。

原创 【机器学习】第三章 决策树

在机器学习中，决策树是一种用于分类和回归的树形结构模型。在上述探讨决策树的相关知识时，主要涉及了它的基本理念、各种算法、相关实例的代码实现，以及如何通过剪枝策略来避免过拟合。决策树以其直观的图形结构来展示数据，使得数据分类和分析结果一目了然，在一定程度上，有助于我们对数据进行分类并直观呈现分析结果。但是另一方面上，决策树也有一个显著的问题：比较容易对训练数据过度适应，特别是在特征众多的情况下，这样就可能会导致过拟合。

原创 【机器学习】 KNN算法及模型评估

KNN算法及模型评估

原创 Anaconda配置环境