<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[sdasdfwfsf的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/sdasdfwfsf</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; sdasdfwfsf]]></copyright><item><title><![CDATA[机器学习--主成分分析（PCA）]]></title><link>https://blog.youkuaiyun.com/sdasdfwfsf/article/details/139780242</link><guid>https://blog.youkuaiyun.com/sdasdfwfsf/article/details/139780242</guid><author>sdasdfwfsf</author><pubDate>Tue, 18 Jun 2024 18:45:59 +0800</pubDate><description><![CDATA[降维：PCA可以将高维数据转换为低维数据，减少数据维度，降低存储和计算开销。特征提取：PCA可以找到数据中最重要的特征（主成分），这些主成分是原始数据线性组合的结果，能够保留大部分数据的方差信息。去除噪声：PCA可以过滤掉数据中的噪声，因为噪声通常包含在数据的低方差主成分中，而PCA会保留高方差的主成分。可解释性：PCA得到的主成分是原始特征的线性组合，因此可以很好地解释数据的变化情况。数据可视化：降维后的数据可以更方便地在二维或三维空间中进行可视化展示。]]></description><category></category></item><item><title><![CDATA[机器学习--支持向量机（SVM）]]></title><link>https://blog.youkuaiyun.com/sdasdfwfsf/article/details/139304130</link><guid>https://blog.youkuaiyun.com/sdasdfwfsf/article/details/139304130</guid><author>sdasdfwfsf</author><pubDate>Tue, 11 Jun 2024 15:17:35 +0800</pubDate><description><![CDATA[支持向量机（Support Vector Machine，SVM）是一种二分类模型，SVM可以用于线性和非线性分类问题，回归以及异常值检测。其基本模型定义为特征空间上的间隔最大的线性分类器，其学习策略便是间隔最大化，最终可转化为一个凸二次规划问题的求解。支持向量机的学习算法是求解凸二次规划的最优化算法。其基本原理是通过在特征空间中找到一个超平面，将不同类别的样本分开，并且使得离超平面最近的样本点到超平面的距离最大化。]]></description><category></category></item><item><title><![CDATA[机器学习--逻辑回归]]></title><link>https://blog.youkuaiyun.com/sdasdfwfsf/article/details/139244809</link><guid>https://blog.youkuaiyun.com/sdasdfwfsf/article/details/139244809</guid><author>sdasdfwfsf</author><pubDate>Tue, 28 May 2024 15:54:05 +0800</pubDate><description><![CDATA[逻辑回归是一种用于解决分类问题的统计学习方法。它通过将输入特征与一个或多个权重相乘，然后将结果通过一个逻辑函数（如sigmoid函数）映射到0和1之间，从而预测输入数据属于哪个类别。逻辑回归常用于二分类问题，如预测一个邮件是垃圾邮件还是非垃圾邮件。逻辑回归也可以被叫做分类回归，线性回归是为了通过数据建立一条拟合数据的模型，来预测未来某一数据的走向，逻辑回归则是建立模型将数据分为不同的类别，并预测某个数据的类别。一个二分类问题给的条件：分类标签Y {0，1}，特征自变量X{x1，x2，……，xn}]]></description><category></category></item><item><title><![CDATA[机器学习——朴素贝叶斯]]></title><link>https://blog.youkuaiyun.com/sdasdfwfsf/article/details/138762886</link><guid>https://blog.youkuaiyun.com/sdasdfwfsf/article/details/138762886</guid><author>sdasdfwfsf</author><pubDate>Tue, 14 May 2024 00:33:54 +0800</pubDate><description><![CDATA[贝叶斯分类器可以是朴素贝叶斯分类器、高斯贝叶斯分类器、贝叶斯网络等等。贝叶斯分类算法是统计学的一种概率分类方法，朴素贝叶斯分类是贝叶斯分类中最简单的一种。其分类原理就是利用贝叶斯公式根据某特征的先验概率计算出其后验概率，然后选择具有最大后验概率的类作为该特征所属的类。朴素贝叶斯涉及的概念和公式1. 高斯朴素贝叶斯 (Gaussian Naive Bayes)：- 优点： - 对于特征的分布假设更加宽松，适用于连续特征。- 计算简单快速，适用于大规模数据集。]]></description><category></category></item><item><title><![CDATA[机器学习——决策树]]></title><link>https://blog.youkuaiyun.com/sdasdfwfsf/article/details/138329567</link><guid>https://blog.youkuaiyun.com/sdasdfwfsf/article/details/138329567</guid><author>sdasdfwfsf</author><pubDate>Tue, 30 Apr 2024 11:41:41 +0800</pubDate><description><![CDATA[决策树算法主要有以下几种：1. ID3算法：根据信息增益来选择最优划分特征。它将训练集划分为纯度更高的子集，直到所有数据属于一个类别或者没有可用的特征为止。2. C4.5算法：与ID3算法类似，但C4.5算法使用信息增益比来选择最优划分特征。信息增益比能够对可取值较多的特征有所惩罚，更倾向于选择可取值较少的特征。3. CART算法：主要可用于分类和回归任务。它使用基尼系数来选择最优划分特征。对于分类任务，基尼系数表示从样本中随机抽取两个样本，它们属于不同类别的概率。]]></description><category></category></item><item><title><![CDATA[Matlab 实验二 计算图像的基本指标]]></title><link>https://blog.youkuaiyun.com/sdasdfwfsf/article/details/137928252</link><guid>https://blog.youkuaiyun.com/sdasdfwfsf/article/details/137928252</guid><author>sdasdfwfsf</author><pubDate>Thu, 18 Apr 2024 20:47:23 +0800</pubDate><description><![CDATA[一、实验步骤一、实验步骤①读取图像②转为灰度图像③计算直方图④显示图像并对比二、代码实战。]]></description><category></category></item><item><title><![CDATA[机器学习-模型评估]]></title><link>https://blog.youkuaiyun.com/sdasdfwfsf/article/details/137799456</link><guid>https://blog.youkuaiyun.com/sdasdfwfsf/article/details/137799456</guid><author>sdasdfwfsf</author><pubDate>Tue, 16 Apr 2024 13:16:34 +0800</pubDate><description><![CDATA[指的是对机器学习模型在给定数据集上的的过程。]]></description><category></category></item><item><title><![CDATA[机器学习之KNN算法]]></title><link>https://blog.youkuaiyun.com/sdasdfwfsf/article/details/137242812</link><guid>https://blog.youkuaiyun.com/sdasdfwfsf/article/details/137242812</guid><author>sdasdfwfsf</author><pubDate>Mon, 01 Apr 2024 19:35:11 +0800</pubDate><description><![CDATA[kNN是一个基本而简单的分类算法，作为监督学习，那么KNN模型需要的是有标签的训练数据，对于新样本的类别由与新样本距离最近的k个训练样本点按照分类决策规则决定。k近邻法（k-nearest neighbor, kNN）是一种基本的分类与回归方法；是一种基于有标签训练数据的模型；是一种监督学习算法。基本做法的三个要点是：第一，确定距离度量；第二，k值的选择（找出训练集中与带估计点最靠近的k个实例点）；第三，分类决策规则。收集数据:可以使用任何方法。准备数据。]]></description><category></category></item><item><title><![CDATA[Anaconda 下载安装与环境配置]]></title><link>https://blog.youkuaiyun.com/sdasdfwfsf/article/details/136823650</link><guid>https://blog.youkuaiyun.com/sdasdfwfsf/article/details/136823650</guid><author>sdasdfwfsf</author><pubDate>Mon, 18 Mar 2024 22:25:17 +0800</pubDate><description><![CDATA[下载Anaconda的主要原因：解决多版本python的并存问题点击下方链接下载Anaconda。]]></description><category></category></item><item><title><![CDATA[解决Pycharm中PIP镜像源不被信任问题--Windows系统]]></title><link>https://blog.youkuaiyun.com/sdasdfwfsf/article/details/134276930</link><guid>https://blog.youkuaiyun.com/sdasdfwfsf/article/details/134276930</guid><author>sdasdfwfsf</author><pubDate>Tue, 07 Nov 2023 21:54:21 +0800</pubDate><description><![CDATA[但这种办法是短期的，且每次都需要加上这个，属实是有点麻烦，下面来介绍一下，永久解决的办法，但是不完全（在“设置 - 项目-  解释器” 中下载还是可能会报错）。在pip配置文件中“pip.ini”中，在文件夹中输入： %APPDATA%  可查找，然后输入（以豆瓣镜像源为例子）有的小伙伴在Pycharm中下载库时出现以下这样的报错，这是因为经常使用网络代理或者是爬梯子后造成的镜像源不被信任。如：--trusted-host pypi.douban.com。--trusted-host 网址。]]></description><category></category></item></channel></rss>