数据竞赛——2

最新推荐文章于 2025-08-15 11:07:17 发布

原创最新推荐文章于 2025-08-15 11:07:17 发布 · 271 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#数据竞赛 #达观杯 #文本处理 #机器学习

数据竞赛专栏收录该内容

5 篇文章

订阅专栏

本文深入解析了达观杯文本智能处理挑战赛中两种关键算法：逻辑回归（LR）与支持向量机（SVM）。介绍了LR作为二分类模型的工作原理及其实现，展示了其在数据集上的表现。同时，详细阐述了SVM的分类原理，通过实例演示了如何使用SVM进行分类任务。文章涵盖了这两种算法的基本概念、应用案例及代码实现。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

“达观杯”文本智能处理挑战赛之二

- 逻辑回归(LR)
- 支持向量机(SVM)

逻辑回归(LR)

逻辑回归：Logistic regression，名义上带有“回归”字样，可能会被以为是预测方法，其实质却是一种常用的分类模型，主要被用于二分类问题，它将特征空间映射成一种可能性，在LR中，y是一个定性变量{0,1}，LR方法主要用于研究某些事发生的概率。它足够简单却又足够有效，但是，它对数据和场景的适应能力有局限性，容易欠拟合。

此处的具体实现

from sklearn.linear_model import LogisticRegression

LR=LogisticRegression(C=1, penalty='l2', tol=1e-6)
LR.fit(X_train, Y_train)
Acc_LR = LR.score(X_test,Y_test)

#此处结果输出
Out[28]: 0.7621887628731586

支持向量机(SVM)

支持向量机：support vector machine，简称SVM，是在分类与回归分析中分析数据的监督式学习模型与相关的学习算法。给定一组训练实例，每个训练实例被标记为属于两个类别中的一个或另一个，SVM训练算法创建一个将新的实例分配给两个类别之一的模型，使其成为非概率二元线性分类器。SVM模型是将实例表示为空间中的点，这样映射就使得单独类别的实例被尽可能宽的明显的间隔分开。然后，将新的实例映射到同一空间，并基于它们落在间隔的哪一侧来预测所属类别。（SVM）

此处的具体实现

from sklearn.metrics import accuracy_score
from sklearn.svm import SVC

clf = SVC(kernel='linear')
clf.fit(X_train, Y_train)
predict_labels = clf.predict(X_test)
Acc_svm = accuracy_score(Y_test, predict_labels)

参考文献
[1]: https://blog.youkuaiyun.com/lsc989818/article/details/79465260
[2]: https://www.cnblogs.com/lianyingteng/p/7701801.html
[3]: https://www.cnblogs.com/mod109/p/9349710.html
[4]: 《机器学习》——周志华
[5]: https://www.cnblogs.com/zy230530/p/6901277.html
[6]: https://www.cnblogs.com/demo-deng/p/10154222.html
[7]: https://www.jianshu.com/p/f4c7bc6c4ce2
[8]: 《统计学习方法》——李航