- 博客(8)
- 收藏
- 关注
RSS订阅原创 机器学习——通过PCA技术实现降维
总的来说,PCA是一种强大且广泛应用的数据降维和特征提取算法,但在实际应用中也需要结合具体问题背景,权衡其优缺点,选择合适的参数和方法。
2024-06-18 15:08:39
856
原创 机器学习——支持向量机
优点：支持向量机算法可以解决小样本情况下的机器学习问题，简化了通常的分类和回归等问题。由于采用核函数方法克服了维数灾难和非线性可分的问题，所以向高维空间映射时没有增加计算的复杂性。换句话说，由于支持向量计算法的最终决策函数只由少数的支持向量所确定，所以计算的复杂性取决于支持向量的数目，而不是样本空间的维数。支持向量机算法利用松弛变量可以允许一些点到分类平面的距离不满足原先要求，从而避免这些点对模型学习的影响。缺点：支持向量机算法对大规模训练样本难以实施。
2024-06-11 11:55:38
2102
原创 机器学习——Logistic回归
逻辑回归是一种广义的线性回归分析模型，主要用于数据挖掘、疾病自动诊断、经济预测等领域。它是一种监督学习下的机器学习算法，特别适用于解决二分类问题，尽管它也可以用于多分类问题。逻辑回归的核心在于使用Sigmoid函数将线性回归的结果映射到(0,1)的范围内，从而表示属于某一类别的概率。具体来说，如果Sigmoid函数的输出值大于0.5，则分类为1（或某一类别），否则分类为0（或另一类别）。
2024-05-28 16:40:42
1159
1
原创 朴素贝叶斯算法解决西瓜分类问题
已知独立事件A和B，在事件 B 发生的情况下，事件 A 发生的概率P(A|B)为已知独立事件A和B，在事件 A 发生的情况下，事件 B 发生的概率P(B|A)为P(A)是事件 A 发生的先验概率。P(B) 是事件 B 发生的先验概率。对P(AB)进行等量代换就可以得出1、计算先验概率：计算每个类别的先验概率 P(X)，即类别 X在训练数据中出现的频率。2、计算似然概率：对于每个特征 Y，计算在类别 X下该特征出现的概率 (P(Y| X)。3、计算后验概率。
2024-05-14 16:23:59
2515
1
原创 基于ID3算法解决决策树问题
具体方法是：从根结点(root node)开始，对结点计算所有可能的特征的信息增益，选择信息增益最大的特征作为结点的特征，由该特征的不同取值建立子节点；在机器学习中，决策树是一种预测模型，代表的是一种对象属性与对象值之间的一种映射关系，每一个节点代表某个对象，树中的每一个分叉路径代表某个可能的属性值，而每一个叶子节点则对应从根节点到该叶子节点所经历的路径所表示的对象的值。决策树仅有单一输出，如果有多个输出，可以分别建立独立的决策树以处理不同的输出。特征的信息增益越大，表明该特征对分类的贡献程度越高。
2024-04-30 14:04:58
728
1
原创 机器学习的模型评估
一、模型评估的重要性机器学习模型评估是机器学习领域中的一个重要研究方向，其研究背景在于随着大数据时代的到来，人们面临着越来越多的数据分析和处理任务，而机器学习作为一种高效的数据处理技术，在很多领域都得到了广泛应用。然而，机器学习模型的效果评估是机器学习应用过程中一个非常关键的问题，因此机器学习模型评估的研究具有非常重要的意义。二、模型评估的意义三、评价模型评估的标准。
2024-04-16 13:54:10
633
原创 KNN算法的Python实现
K近邻算法（K-Nearest Neighbors，KNN）是一种基本的机器学习算法，也是一种分类和回归方法。它的原理很简单，即根据特征相似度来进行分类或回归预测。K近邻（K-Nearest Neighbor, KNN）是一种最经典和最简单的有监督学习方法之一。在KNN算法中，首先需要给定一个训练集，其中包含了已知分类标签的样本数据。然后，通过计算待预测样本与训练集中各个样本的特征距离，选择与待预测样本最相似的K个训练样本（即K个最近邻）
2024-04-02 16:20:19
707
1
原创 Anaconda的安装及其Path环境变量的配置
Anaconda是学习机器学习的一个强大的开源数据科学平台。在Anaconda的安装前，最好将电脑中的Python及其环境变量删除（很简单，只需使用电脑的强力卸载就可以将软件、安装包和环境变量删除即可开始安装Anaconda）。
2024-03-07 22:11:33
6566
1
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