关于SVM,决策树,DNN模型是啥

本文介绍了三种经典的分类算法:SVM、决策树与DNN。SVM通过寻找最优分界面实现分类;决策树则通过特征切割形成预测路径;而DNN利用多层神经元进行复杂模式的学习。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

这几个都是分类算法模型
SVM
核心思想找到不同类别的分界面,两类样本分在面的两端,而且距离分界面尽量远
初期SVM是平面的,利用核函数后,将平面投影为曲面,大大提高了适用范围,在实际分类中准确度大大提高。
决策树
沿特征做切割,层层递进,并且继续划分,能够生成清晰的基于特征产生不同预测结果的树状结构,缺点是易被攻击,只需要改变其中一个特征就可出错。
DNN
DNN模型
输入层一层,隐层(可多层),输出层(一层)

### 机器学习中的其他重要算法 #### 支持向量机 (SVM) 支持向量机是一种监督式学习模型,广泛应用于分类和回归分析。该方法通过寻找一个超平面来最大化不同类别之间的间隔,从而实现最优分离[^2]。 ```python from sklearn import svm X = [[0, 0], [1, 1]] y = [0, 1] clf = svm.SVC() clf.fit(X, y) ``` #### K近邻算法 (KNN) 这是一种基于实例的学习方法,其核心思想是在特征空间中找到距离待测样本最近的k个训练样本,并依据这些邻居的信息来进行预测。对于分类问题而言,通常采用投票机制决定最终标签;而对于回归任务,则取平均值作为输出结果[^3]。 ```python from sklearn.neighbors import KNeighborsClassifier neigh = KNeighborsClassifier(n_neighbors=3) neigh.fit([[0, 0], [1, 1]], [0, 1]) print(neigh.predict([[0.9, 1]])) ``` #### 随机森林 (Random Forest) 随机森林是由多个决策树构成的集成学习器,每棵树都独立地对输入数据做出判断,最后汇总所有树木的结果得出结论。这种方法不仅提高了准确性还增强了鲁棒性,因为即使某些单棵决策树出现了过拟合现象也不会影响整体性能表现[^4]。 ```python from sklearn.ensemble import RandomForestClassifier clf = RandomForestClassifier(max_depth=2, random_state=0) clf.fit([[0, 0], [1, 1], [2, 2]], [0, 1, 2]) ``` #### 深度神经网络 (DNN) 深度学习是近年来兴起的一种强大的人工智能技术分支,其中最基础也是最常见的就是多层感知器组成的前馈型人工神经网络。这类模型可以自动提取复杂的数据特征并完成端到端的任务求解过程,在图像识别、自然语言处理等多个领域取得了突破性的进展[^5]。 ```python import tensorflow as tf model = tf.keras.models.Sequential([ tf.keras.layers.Dense(512, activation='relu', input_shape=(784,)), tf.keras.layers.Dropout(0.2), tf.keras.layers.Dense(10, activation='softmax') ]) model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy']) ```
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值