- 博客(4)
- 收藏
- 关注
RSS订阅原创 KNN算法
交叉验证是一种常用的机器学习模型评估方法，它通过将数据集分成训练集和测试集，多次重复训练和测试模型，以获得更稳健和准确的评估结果。x = data.iloc[:, 1:]y = data.iloc[:, 0]print(‘数据基本信息:’, x.shape)print(‘类别数据比例:’, Counter(y))print(‘当前数字的标签为:’,y[idx])然后，网格搜索算法会尝试所有可能的参数组合，通过交叉验证来评估每个参数组合的性能，最终找到最佳的参数组合。
2024-04-25 21:09:29
960
原创 KNN算法
def dm03_traintest_split():# 1加载数据集mydataset= load_iris()# 2划分数据集X_train, X_test, y_train, y_test=train_test_split(mydataset.data, mydataset.target,test_size=0.3, random_state=22)print('数据总数量', len(mydataset.data))标准化公式为： Xstd=σX−μ 其中，μ为数据的均值，σ为数据的标准差。
2024-04-24 20:34:27
1546
原创 机器 学习
特征组合的目的是利用特征之间的关系和相互作用，提取更多的信息，增强模型的表达能力和预测能力。特征提取的目的是将原始数据转换成能够更好地描述数据特征的形式，从而帮助模型更好地理解数据，提高模型的性能和泛化能力。总之，模型的拟合是机器学习中重要的概念，我们希望模型能够在训练数据和测试数据上都表现良好，泛化到新的数据上。特征降维的目的是保留数据中最重要的信息，同时减少数据的复杂性，以便更好地适应模型的需求和提高模型的性能。特征处理是指对数据中的特征进行处理和转换，以便更好地适应模型的需求和提高模型的性能。
2024-04-23 21:53:03
1174
原创 人 工 智 能
通过机器学习，计算机系统可以不断地从数据中学习，提高性能和准确性，具有广泛的应用领域，如自然语言处理、图像识别、推荐系统等。深度学习的核心思想是通过多层次的神经网络结构，逐层提取和表示数据的特征，从而实现对数据的高级抽象和学习。随着硬件技术的不断进步，如GPU、TPU等，以及云计算和分布式计算技术的发展，计算能力的提升为人工智能的发展提供了强大支持。数据包括结构化数据（如表格数据）和非结构化数据（如文本、图像、音频等），通过数据驱动的方式，机器学习模型可以从数据中学习并做出预测或决策。
2024-04-22 16:41:50
492
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人