<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Vladimir ZJx的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/weixin_40330721</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; weixin_40330721]]></copyright><item><title><![CDATA[第8章：K近邻与贝叶斯分类器]]></title><link>https://blog.youkuaiyun.com/weixin_40330721/article/details/163163625</link><guid>https://blog.youkuaiyun.com/weixin_40330721/article/details/163163625</guid><author>weixin_40330721</author><pubDate>Fri, 24 Jul 2026 15:51:47 +0800</pubDate><description><![CDATA[本文介绍了机器学习中的两种经典分类算法：K近邻（KNN）和朴素贝叶斯分类器。KNN是一种惰性学习算法，通过计算测试样本与训练样本的距离，选取最近的K个邻居进行投票决策，其性能受距离度量（如欧氏距离、曼哈顿距离）和K值选择的影响。K值过小会导致过拟合，过大则可能欠拟合。朴素贝叶斯基于贝叶斯定理，假设特征间相互独立（"朴素"假设），通过计算后验概率进行分类，适用于文本分类等场景。文章还讨论了连续特征的高斯处理方法和零概率问题的拉普拉斯平滑技术，并通过代码示例展示了两种算法的决策边界可视化效果。]]></description><category></category></item><item><title><![CDATA[第7章：支持向量机（SVM）]]></title><link>https://blog.youkuaiyun.com/weixin_40330721/article/details/159976617</link><guid>https://blog.youkuaiyun.com/weixin_40330721/article/details/159976617</guid><author>weixin_40330721</author><pubDate>Thu, 09 Apr 2026 10:18:01 +0800</pubDate><description><![CDATA[树模型的决策边界是"轴对齐的阶梯"，而 SVM 在说：“我要找那条与两类数据距离最大的分界线——不是随便一条能分开的线，而是最宽的那条街道的中心线。” 这个追求"最大间隔"的执念，催生了 20 世纪最优雅的分类算法之一。]]></description><category></category></item><item><title><![CDATA[第6章：树模型]]></title><link>https://blog.youkuaiyun.com/weixin_40330721/article/details/159904922</link><guid>https://blog.youkuaiyun.com/weixin_40330721/article/details/159904922</guid><author>weixin_40330721</author><pubDate>Tue, 07 Apr 2026 08:52:47 +0800</pubDate><description><![CDATA[树模型是机器学习里的"瑞士军刀"——一把刀能切肉、削皮、开瓶盖。决策树直观可解释，随机森林用"三个臭皮匠顶个诸葛亮"打败了它自己，GBDT 和 XGBoost 则把弱弱的小树一棵棵叠成了世界冠军。]]></description><category></category></item><item><title><![CDATA[第5章：线性模型]]></title><link>https://blog.youkuaiyun.com/weixin_40330721/article/details/159791309</link><guid>https://blog.youkuaiyun.com/weixin_40330721/article/details/159791309</guid><author>weixin_40330721</author><pubDate>Fri, 03 Apr 2026 11:19:45 +0800</pubDate><description><![CDATA[线性模型是机器学习里的"菜刀"——看起来简单朴素，但掌握它的人能切出满汉全席。从普通最小二乘到 Ridge/Lasso 正则化，从概率视角到几何视角，线性模型的每一处细节都藏着深刻的数学美感。]]></description><category></category></item><item><title><![CDATA[第4章：特征工程]]></title><link>https://blog.youkuaiyun.com/weixin_40330721/article/details/159780979</link><guid>https://blog.youkuaiyun.com/weixin_40330721/article/details/159780979</guid><author>weixin_40330721</author><pubDate>Fri, 03 Apr 2026 10:39:08 +0800</pubDate><description><![CDATA[特征工程就是机器学习里的"摆盘"工序——同样的食材，切丝还是切块、生炒还是腌制，端上桌的味道天差地别。模型只能消化你递给它的东西，而特征工程决定了你递的是"粗粮馒头"还是"精雕花卷"。]]></description><category></category></item><item><title><![CDATA[第3章 数据探索与预处理]]></title><link>https://blog.youkuaiyun.com/weixin_40330721/article/details/159731231</link><guid>https://blog.youkuaiyun.com/weixin_40330721/article/details/159731231</guid><author>weixin_40330721</author><pubDate>Thu, 02 Apr 2026 08:28:12 +0800</pubDate><description><![CDATA[数据预处理就是机器学习里的"备菜"工序——食材不洗、不切、不腌，直接下锅，再好的厨艺也救不了一盘黑暗料理。]]></description><category></category></item><item><title><![CDATA[第2章 Python 数据科学工具栈]]></title><link>https://blog.youkuaiyun.com/weixin_40330721/article/details/159722293</link><guid>https://blog.youkuaiyun.com/weixin_40330721/article/details/159722293</guid><author>weixin_40330721</author><pubDate>Wed, 01 Apr 2026 11:38:05 +0800</pubDate><description><![CDATA[NumPy、Pandas、Matplotlib三件套就是机器学习的锅碗瓢盆——没学会颠勺就想当大厨，那只能炒出一盘bug。]]></description><category></category></item><item><title><![CDATA[第1章 机器学习概述]]></title><link>https://blog.youkuaiyun.com/weixin_40330721/article/details/159718110</link><guid>https://blog.youkuaiyun.com/weixin_40330721/article/details/159718110</guid><author>weixin_40330721</author><pubDate>Wed, 01 Apr 2026 10:18:27 +0800</pubDate><description><![CDATA[这一章是机器学习的"开机画面"。我们先搞清楚机器学习不是更高级的 if-else，而是让机器自己从数据里悟出规则；然后认识了监督、无监督、强化学习三大门派；最后用一朵鸢尾花走完了从看数据到出成绩单的完整流程。读完这章就算正式入坑了!]]></description><category></category></item></channel></rss>