机器学习应用
关注
分享
扫一扫
文章平均质量分 89
PengJuan-ML
机器学习新手，持续分享自己的学习心得，多多指教～
展开
-
【机器学习应用】【Python】支持向量机——SVM
线性模型在分类问题上的应用，可看作用一条线或一个超平面在二维或三维空间将数据类别区分开，存在局限性。支持向量机(support vector machine)是更为复杂的模型，可解决线性或超平面无法解决的分类问题（线性不可分），应用于更高维度的数据。原创 2023-09-01 07:51:34 · 732 阅读 · 1 评论 -
【机器学习应用】【Python】随机森林 Random Forest
随机森林的本质还是决策树，在拥有决策树优点的同时，弥补了决策树的缺点。因为随机森林选取数据样本和特征都是随机的，所以在训练时要设定`random_state`，以确保我们每次训练都得到稳定的结果。原创 2023-08-29 08:11:08 · 702 阅读 · 1 评论 -
【机器学习应用】【Python】决策树 Decision Tree
单个决策树模型可以被可视化，直观易理解不需要对数据做特殊处理，数据拿到手就可直接用。但缺点也很明显——容易过拟合，泛化性不高，不一定考虑所有特征。决策树是一个简单易懂的模型，其算法逻辑也很人类做决策的过程很相似。原创 2023-08-29 08:08:48 · 809 阅读 · 2 评论 -
【机器学习应用】【Pyhton】K近邻算法（KNN）
K近邻算法是一种适用于回归和分类的机器学习算法，它的基本原理是根据距离某一个数据点最近的k个数据的类别对其进行分类。K近邻是机器学习中最简单的算法之一，也基本适用于生活中的许多问题。所以当我们想要使用机器学习算法做预测时，不妨先从K近邻算法入手。原创 2023-08-14 09:41:11 · 288 阅读 · 0 评论 -
【机器学习应用】【Python】线性模型中 Linear Models
线性模型是机器学习的基础模型之一，也是被广泛运用的一类模型，其中包括逻辑回归，Ridge回归和Lasso回归等。解决分类问题的线性模型常用的有逻辑回归和线性SVM。原创 2023-08-23 03:19:14 · 432 阅读 · 0 评论 -
【机器学习应用】【Python】模型评估（2）—— 网格搜索 Grid Search
机器学习算法都有不同的超参数，通过调整超参找到最优的模型，几乎是每一个用机器学习算法解决问题的必经步骤。原创 2023-08-19 04:13:06 · 653 阅读 · 0 评论 -
【机器学习应用】【Python】模型评估（1）—— 交叉验证Cross Validation
以KNN算法举例，在某一组训练集与测试集的数据下可能k=3准确率最高，换一组可能就k=5最高，因此得出的结果不够客观。如果重复多次随机抽样分组，实际上到最后模型已经“见过”所有数据，不能反映模型真实准确率情况。原创 2023-08-19 04:10:42 · 233 阅读 · 0 评论 -
【机器学习应用】【Python】监督学习概念及术语
了解监督学习的一些基本概念和术语原创 2023-08-09 09:51:34 · 315 阅读 · 1 评论