Nothing249的博客

KMeans1. 概述2. 聚类和分类的区别3. KMeans的原理3.1 相关概念3.2 几个公式3.3 KMeans是否有损失函数3.4 聚类算法的模型评估指标3.4.1 关于CCS参数3.4.2 样本标签已知的模型评估3.4.3 样本标签未知的模型评估 1. 概述 聚类算法属于无监督学习（即进行模型训练时不需要标签），而KMeans又是聚类算法中的一个典型算法。聚类顾名思义就是将数据样本按照某种技术进行分类，使得每一类中的数据紧密程度高，而类与类之间的紧密程度尽量低，这些类就被称为簇。 2. 聚类和分

分类模型的评估1.混淆矩阵2.准确率，精确率，召回率和F1值3.ROC曲线4. PR曲线 1.混淆矩阵 参考B站5分钟视频——混淆矩阵 对于分类问题中某个结果的预测问题，只有预测对或者预测错误两种情况。对于一个具体的样本来说，该样本具有一个真实的类别，同时算法也会有一个预测类别。 预测类别\真实类别 阳性 阴性 阳性 TP FP 阴性 FN TN 其中： TP：将真实类别为阳性的样本预测为阳性的样本个数【正确】 FP：将真实类别为阴性的样本错误的预测为阳性的样本个数 FN：将真实样本

集成算法1. 什么是集成算法2. Bagging类的集成算法2.1 Bagging2.2 随机森林2.3 有放回随机抽样2.4 Bagging的另一个要求 1. 什么是集成算法 集成算法(集成学习)本身不是一种单独的机器学习算法，而是在一个数据集上构建多个机器学习模型，并将所有模型的建模结果按照特定的规则作为该集成算法的最终建模结果。 其中，由多个模型共同构成的模型称为集成评估器，组成集成评估器的模型叫做基评估器。 集成算法包含三类：Bagging，Boosting，stacking 2. Bagging类