- 博客(8)
- 收藏
- 关注
RSS订阅原创 机器学习-主成分分析（PCA）方法
主成分分析（PCA）是一种强大的降维工具，通过线性变换将高维数据映射到低维空间，同时保留数据中的主要信息。在实际应用中，PCA不仅可以用于数据压缩和特征提取，还可以帮助我们更好地理解数据结构。希望通过本文的介绍和案例分析，能够让你对PCA有更深入的理解。
2025-06-16 16:29:33
1940
原创 机器学习——支持向量机（SVM）
SVM 核心：最大化间隔的超平面，支持核方法处理非线性。关键参数：正则化参数 C。核函数类型（RBF/线性/多项式）。RBF 核的 γ。适用场景：中小规模高维数据（如文本分类、图像识别）。需强泛化能力的分类任务。
2025-06-02 21:54:17
1071
原创 机器学习——逻辑回归
本次实验实现了逻辑回归模型，主要过程如下：数据准备：加载数据集，分离特征和标签。模型训练：使用梯度上升算法优化模型参数。其中，批量梯度上升利用所有样本计算梯度，而随机梯度上升每次仅用一个随机样本更新参数。模型评估：通过可视化决策边界，展示模型的分类效果。实验结果表明，逻辑回归能够有效处理二分类问题，通过迭代优化找到最优参数，实现对新样本的分类预测。同时，矩阵运算在参数更新过程中发挥了重要作用，体现了其在机器学习算法中的普遍性和高效性。
2025-05-19 20:38:39
887
原创 机器学习——朴素贝叶斯
朴素贝叶斯是经典的机器学习算法之一，它基于概率论，是为数不多的分类算法。与大多数其他分类算法不同，朴素贝叶斯和决策树、KNN、逻辑回归、支持向量机等判别方法不同。判别方法直接学习特征X和输出Y之间的关系，通常是通过决策函数或条件分布来实现。而朴素贝叶斯则属于生成方法，它通过建模特征和类别之间的联合分布来进行分类。这个算法的原理简单，且容易实现。
2025-05-05 10:38:14
729
原创 机器学习之决策树
实验过程中，我们不仅学习了如何构建决策树，还深入研究了如何通过剪枝技术优化决策树结构，防止过拟合现象的发生。我们了解到，决策树的参数调整至关重要，精准的参数设置能够有效提升模型的泛化能力。同时，我们还掌握了如何利用Python及其相关库来实现决策树的构建和可视化。总的来说，本次实验让我们对决策树有了更全面、深入的理解，获得了很多宝贵的经验：实践出真知：通过实际操作，我们深刻体会到决策树的实用性和灵活性。
2025-04-21 12:11:26
1859
原创 机器学习——关于knn算法求pr曲线和roc曲线
KNN算法（K-Nearest Neighbors，即K近邻算法）是一种简单且广泛使用的统计方法，适用于分类和回归任务。它被认为是入门级的机器学习算法之一，同时也因其高效性和实用性而被广泛应用于各种实际场景。
2025-04-07 11:13:50
791
原创 机器学习-基于K近邻算法的分类器的实现
*K近邻算法是一种简单而有效的分类算法，它通过测量样本之间的距离来对新样本进行分类。基于KNN算法的分类器在实际应用中具有广泛的应用，可以用于图像分类、文本分类、推荐系统等领域。通过学习和实践，我们可以更好地理解KNN算法的原理和实现，并将其应用于实际问题中。
2025-03-23 16:39:24
769
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