tensorflow66的博客

支持向量机在2012年以前，SVM被认为机器学习中近十几年最成功表现最好的。SVM算法起源于感知机模型，感知机模型只可解决线性可分的数据集分类问题（线性可分：正负样本点集的凸包彼此不交）支持向量机可以应用于统计分类和回归分析。SVM分类：（1）线性可分SVM（2）线性不可分SVM（3）非线性SVM。例子：识别手写数字import matplotlib.pyplot as plt# Import d...

k-近邻算法1.1算法原理及步骤为了判断未知实例的标签，以所有已知标签的实例为参照，选择参数k（多为奇数），计算未知实例与所有已知实例的距离，选择最近k个已知空间，少数服从多数的投票法则，让未知实例归类为k个最邻近样本中最多数的标签。1.2优缺点优点：精度高、对异常值不敏感，无输入数据假定、通过对K的选择可具备噪音数据的健壮性；缺点：计算复杂度高、空间复杂度高（需要大量空间存储所有已知实例）、样本...

一网格搜索(寻求参数最优的一种方法)首先为想要调参的参数设定一组候选值，然后网格搜索会穷举各种参数组合，根据设定的评分机制找到最好的那一组设置。使用：from sklearn.model_selection import GridSearchCVclass sklearn.model_selection.GridSearchCV(estimator, param_grid, scoring=Non...

将图像读取之后，如若将每一个像素点看做特征，数据过于庞大和冗余，同时为了速度和可视化效果应先对读取进来的数据进行降维处理。1.1消减维度的理由：(1)大多数的模型在维度较小的情况下比较安全，多余的特征会影响或误导学习器；(2)更多的特征需要调整更多的参数，容易产生过拟合；(3)较少的维度数据集训练速度快；(4)实现数据可视化时，大多限制在两、三个维度上，更加体现降维的必要。无法使用选择方法删减特征...