- 博客(20)
- 收藏
- 关注
RSS订阅原创 机器学习（八） ----------支持向量积（SVM）
支持向量机（SVM）是一种强大的机器学习算法，其核心意义在于通过寻找决策超平面来实现数据的精确分类。SVM仅依赖于少量的关键样本点（支持向量）来构建决策边界，这使得它在计算上非常高效，尤其适用于大规模数据集。此外，SVM对噪声和异常值具有较强的鲁棒性，并且能够处理非线性可分问题，使得它在各种分类任务中都具有广泛的应用价值。通过优化结构风险，SVM旨在获得良好的泛化能力，使其对新数据也能做出准确的预测。
2024-05-18 19:37:38
1359
2
原创 机器学习（七） ----------聚类（K-means）
聚类分析是一种强大的数据分析技术，它能够在无监督学习的情境下，根据数据间的相似性和差异性，将数据自动划分为不同的类别或簇。这种方法广泛应用于市场细分、客户画像、图像处理、生物信息学等领域。通过聚类，我们可以发现隐藏在数据中的模式和结构，揭示数据的内在规律，为决策制定提供有力支持。聚类技术不仅提高了数据分析的效率和准确性，也推动了人工智能和大数据技术的发展。
2024-05-17 19:23:18
900
3
原创 机器学习（六） ----------朴素贝叶斯+特征降维
PCA是一种通过降维来简化数据结构的方法，即把原有的多个指标转化成少数几个代表性较好的综合指标。这少数几个指标能够反映原来指标的大部分信息（80%以上），并且各个指标之间保持独立，避免出现重叠信息。
2024-05-16 15:27:45
743
1
原创 机器学习（五） ----------集成学习（2）（Adaboost算法+GDBT算法+XGBoost算法）
Boosting思想是一种强大的机器学习策略，它基于“知错就改”的原则，旨在通过迭代地训练多个弱学习器（如决策树）并将它们组合成一个强学习器，从而提升模型的预测能力。Boosting通过不断调整样本权重，使得先前学习器错误分类的样本在后续迭代中获得更多关注，从而逐步优化模型性能。这种策略不仅提高了模型的泛化能力，还使得模型对复杂问题的处理更加灵活和高效。
2024-05-15 19:27:05
1648
2
原创 机器学习（五） ----------集成学习（1）（集成学习思想+随机森林算法）
集成学习是一种强大的机器学习范式，它通过结合多个学习器的预测结果来提高模型的准确性和稳定性。这种方法的基本思想在于“多样性和投票”，即利用多个基学习器对输入数据进行独立的预测，并通过某种策略将这些预测结果综合起来，得到一个更加可靠的预测结果。
2024-05-14 20:23:12
1006
2
原创 机器学习（五） ----------决策树算法
决策树是一种直观且强大的机器学习算法，它通过树状结构将数据划分为不同的子集，从而进行预测和分类。该算法从根节点开始，根据数据的特征值逐步划分到子节点，最终到达叶节点得出分类或预测结果。决策树模型易于理解，可视化效果好，并且对于非专业人士来说也具有较高的可读性。此外，决策树还具有良好的处理缺失值和异常值的能力，广泛应用于金融、医疗、电商等领域的数据分析中。
2024-05-12 20:21:24
1364
9
原创 机器学习（四） ----------逻辑回归
逻辑回归，一种广泛应用于数据挖掘和机器学习领域的分类算法，其核心思想是通过构建模型来预测事件发生的概率。它采用sigmoid函数将线性组合的特征映射到概率值，实现数据的二元或多元分类。逻辑回归以其计算效率高、易于理解和实现等优点，在疾病预测、经济预测等方面发挥着重要作用。尽管它在线性分类上表现出色，但对于非线性问题则可能面临挑战。总的来说，逻辑回归是机器学习中一种实用且高效的分类算法。
2024-05-11 13:31:40
1081
1
原创 机器学习（三） ----------线性回归算法（梯度下降+正则化）
线性回归算法在机器学习中具有核心地位，它以其简单性和直观性为基础，为理解数据间的关系提供了基本框架。作为许多复杂算法的基础，线性回归不仅用于预测目标变量，还用于解释自变量对目标的影响。同时，它也是机器学习入门的经典算法，对于推广机器学习知识和技术具有重要意义。
2024-05-09 20:38:51
1216
1
原创 机器学习（二） ----------K近邻算法（KNN）+特征预处理+交叉验证网格搜索
KNN算法简单直观，易于理解和实现，并且不需要进行模型训练（即没有显式的训练过程）。然而，KNN算法的计算复杂度较高，特别是对于大型数据集，因为需要计算每个新数据点与所有已知数据点之间的距离。此外，KNN算法对数据的标准化和缩放等预处理步骤较为敏感，因为距离度量是基于特征空间中的数值大小。尽管如此，KNN算法仍然是机器学习领域中的一个重要工具，广泛应用于各种实际问题和场景中。
2024-05-06 13:44:55
1466
原创 机器学习（一） ----------机器学习概述
机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。它专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，并重新组织已有的知识结构，使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径。
2024-05-04 20:53:02
1111
原创 Pandas入门篇（三）-------数据可视化篇3（seaborn篇）（pandas完结撒花！！！）
Seaborn是一个基于Matplotlib的Python数据可视化库，它提供了一种简单而美观的界面，帮助初学者轻松创建各种统计图表和数据可视化效果。Seaborn的设计哲学以美学为中心，致力于创建最佳的数据可视化，同时也保持着与Python生态系统的高度兼容性，可以轻松集成到Python数据分析以及机器学习的工作流程中。Seaborn拥有丰富的可视化函数，能够创建多种类型的图表，包括折线图、柱状图、散点图、核密度图、热力图等等。
2024-04-28 22:04:49
1716
2
原创 Pandas入门篇（三）-------数据可视化篇2（pandas-plot篇）
Pandas 自带的可视化功能通过 plot 方法提供了一种便捷的方式来创建各种类型的图表。plot 方法是基于 Matplotlib 库构建的，因此它继承了 Matplotlib 的强大功能和灵活性，同时简化了绘图过程，使得用户无需深入了解 Matplotlib 的所有细节即可快速创建图表。主要特点和优势：集成性：plot 方法直接集成在 Pandas DataFrame 和 Series 对象中，使得用户可以直接从数据 对象创建图表，无需额外转换数据格式。
2024-04-28 20:00:04
1480
原创 Pandas入门篇（三）-------数据可视化篇1（matplotlib篇）
Matplotlib是一个用于绘制图表和可视化数据的Python库，由John D. Hunter于2003年创建。它是一个开源项目，广泛应用于科研、教育和工程等领域。Matplotlib提供了广泛的绘图功能，适用于科学计算、数据分析、机器学习等领域，并且尤其适用于中小规模的数据集和对可视化定制要求较高的场景。广泛的图表类型：支持多种图表类型，包括线图、散点图、柱状图、饼图、等高线图等，适用于不同类型的数据可视化需求。
2024-04-27 21:41:59
1416
1
原创 Pandas入门篇（二）-------Dataframe篇5（进阶）（Dataframe的时间序列Dataframe最终篇！！）（机器学习前置技术栈）
使用DataFrame处理时间序列数据时，你可以轻松地进行时间戳的转换和格式化。Pandas提供了丰富的函数和方法来处理日期和时间，如pd.to_datetime()用于将字符串转换为日期时间对象，.dt访问器用于访问日期时间的各个部分，以及strftime()方法用于将日期时间对象格式化为字符串。这些功能使得在DataFrame中处理时间序列数据变得简单而直观。此外，DataFrame还支持基于时间的索引操作，如between_time()和at_time()。
2024-04-27 20:41:10
1351
1
原创 Pandas入门篇（二）-------Dataframe篇4（进阶）（Dataframe的进阶用法）（机器学习前置技术栈）
经过前几篇的基础语法的学习，您已经掌握了Dataframe的基础操作。在掌握基础操作后，进一步探索其进阶用法能够让你更高效地处理和分析数据。
2024-04-26 11:51:53
1373
原创 Pandas入门篇（二）-------Dataframe篇3（进阶）（多个Dataframe的关联）（机器学习前置技术栈）
通过合理地关联多个DataFrame，我们可以构建出更加丰富和全面的数据集，为数据分析提供坚实的基础。无论是在学术研究、商业分析还是其他领域，关联多个DataFrame都是数据处理和分析中的关键步骤之一。本篇我们主要介绍Dataframe的数据组合和apply的相关语法。
2024-04-25 19:51:14
668
1
原创 Pandas入门篇（二）-------Dataframe篇2（Dataframe数据的处理！巨详细易懂，适合新手！）（机器学习前置技术栈）
Dataframe在进行数据清洗和预处理时，我们需要遵循一定的步骤和原则。首先，我们需要对数据进行整体的了解和探索，包括数据的来源、结构、分布以及存在的问题等。然后，我们可以根据问题的具体情况选择合适的方法进行清洗和处理。例如，对于缺失值，我们可以选择填充、删除或插值等方法；对于重复值，我们可以选择删除或合并等方法。同时，我们还需要注意保留数据的原始信息和特征，避免在清洗过程中引入新的误差或偏差。本篇详细的介绍了Dataframe进行数据清洗和预处理的api和原则。
2024-04-24 20:31:43
1040
原创 Pandas入门篇（二）-------Dataframe篇1（Dataframe基础知识以及单个Dataframe的处理）（机器学习前置技术栈）
本篇主要演示了Dataframe 属性、Dataframe 创建、Pandas 读取和保存数据、Dataframe 数据的选择、Dataframe 的常用方法、Dataframe 修改行列索引等内容，更多知识点请期待下期
2024-04-23 11:27:30
1388
原创 Pandas入门篇（一）-------Series篇（巨详细易懂！适合新手！！机器学习前置技术栈）
本入门文档旨在向初学者介绍Series的基本概念、创建方法以及常用操作。通过本文档的学习，你将能够掌握Series的基本用法，包括如何创建Series对象、如何访问和修改Series中的数据、如何进行算术和逻辑运算、如何应用统计方法以及如何进行数据转换等
2024-04-21 20:31:12
1045
1
原创 numpy巨全的api及详细介绍(适合小白!机器学习前置技术栈)
NumPy（Numerical Python的简称）是Python中用于进行数值计算的基础库。它提供了高性能的多维数组对象以及用于操作这些数组的工具，使得数值计算任务变得简单而高效。无论你是数据分析师、机器学习工程师，还是科学计算研究者，NumPy都是不可或缺的工具。通过NumPy，你可以轻松创建和操作大型多维数组，执行各种数学运算，如元素级运算、聚合运算和线性代数运算等。这些功能使得NumPy成为处理大量数值数据的理想选择。在入门NumPy时，你将首先学习如何创建数组对象，包括一维数组和多维数组。
2024-04-19 21:24:04
964
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