- 博客(6)
- 收藏
- 关注
RSS订阅原创 机器学习实验——支持向量机（SVM）
支持向量机（Support Vector Machine，SVM）是一种监督学习算法，用于分类和回归分析。其基本原理是找到一个最优的超平面，将不同类别的数据点分隔开来，并且使得间隔最大化。在分类问题中，SVM试图找到一个能够将不同类别数据点分隔开的最佳决策边界，这个边界由离该边界最近的一些训练数据点组成，它们被称为支持向量。超平面是几何学和线性代数中的一个重要概念，特别常见于支持向量机（SVM）等机器学习算法中。简单来说，超平面是一个维度比所在空间低一维的子空间，它将空间分割成两个部分。
2024-06-11 16:41:26
976
原创 机器学习实验之逻辑回归
X = np.hstack((np.ones((m, 1)), X)) # 添加偏置项X是一个m×n的特征矩阵，其中m是样本数量，n是特征数量。y是一个长度为m的标签向量。是梯度下降的学习率，控制每次参数更新的步长。iterations是迭代次数，指定梯度下降的更新次数。在函数内部，首先对输入特征矩阵X添加了偏置项，然后初始化参数θ为全零向量。接下来通过迭代更新θ，直到达到指定的迭代次数。在每次迭代中，计算预测值ℎ，然后根据预测值和真实标签计算梯度，并利用梯度下降算法更新参数θ。这个predict。
2024-05-29 15:42:43
640
原创 机器学习实验三——贝叶斯分类器的简单应用
ybnum所存储的是每个类别的样本数量，tznum所存储的是每个预测类别的样本所对应的特征的数量，classes所存储的则是预测样本的类别，即‘是’或‘否’# 存储每个类别的样本数量# 存储每个预测类别的样本对应的特征的数量# 存储预测类别实验时，通过该方法进行分类时，不是每次都能得到理想的结果，与理想中的结果存在一定误差，需要通过不断完善训练集来提高分类准确性。其次，使用该分类器时注意各个特征需相互独立，否则难以得到准确结果。
2024-05-14 17:05:42
890
1
原创 机器学习实验二——决策树（肉食性动物与草食性动物的区分）
决策树是一种基于树形结构的机器学习模型，用于进行分类和回归任务。它通过一系列的决策节点和分支来对数据进行分类或预测。决策树的每个节点表示一个特征，每个分支表示该特征可能的取值，而每个叶子节点则表示一个类别（对于分类任务）或一个数值（对于回归任务）。在分类任务中，决策树通过对数据进行分裂，将其划分为不同的类别。在每个节点上，决策树根据某个特征的取值将数据分割成子集，然后递归地对每个子集进行进一步的分裂，直到满足停止条件，例如节点中的样本都属于同一类别或达到了树的最大深度。
2024-04-30 09:10:05
550
1
原创 机器学习KNN算法简单应用（影片分类）
主要思路为获取数据后，计算其欧氏距离，并根据每个点的距离进行排序，取出前k（前文选取k值为3）个点的类别（标签），对这k个点中，不同标签出现的次数进行排序，返回出现次数最多的标签，用该标签表示测试点的类别。给定一个训练数据集，对新的输入实例，在训练数据集中找到与该实例最邻近的 k 个实例，这个实例的多数属于某个类，就把该输入实例分为这个类（概括为近朱者赤近墨者黑）KNN算法中k的选择影响着分类结果的精确度，需选取合适的k值，由于本次训练集中的数据较少，k值选定为3。（一）本次分类中所应用到的库。
2024-04-01 21:20:23
583
原创 Anaconda安装
2.打开安装程序后，出现以下界面，点击next并同意相关内容。1.在官网查找Anaconda安装程序。3.选择just me，点击next。（1）找到该程序并打开。
2024-03-19 13:03:37
338
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