- 博客(4)
- 收藏
- 关注
RSS订阅原创 贝叶斯分类器学习
贝叶斯决策论是一种基于贝叶斯统计理论的决策方法，它在面对不确定性和风险时提供了一种理论上的优化决策框架。先验概率：在贝叶斯决策论中，我们首先需要对决策环境的不确定性进行建模。这通过先验概率来实现，即在任何观测数据之前，我们对不同可能状态或事件发生的概率的估计。似然函数：一旦有了先验概率，我们观测到数据后需要考虑如何更新我们对事件的信念。这通过似然函数来实现，似然函数描述了在给定某个假设下观察到数据的可能性。后验概率：贝叶斯公式描述了如何从先验概率和似然函数推导出后验概率。
2024-07-22 23:32:41
1265
原创 支持向量机学习
核方法在深度学习中的应用：在深度学习中，有时候也会使用核函数来处理非线性关系，例如在核卷积神经网络（Kernel Convolutional Neural Networks）中应用核函数来学习非线性特征。在此次任务中，我运用了 RBF 核函数、线性核函数、多项式核函数和Sigmoid 核函数四种核函数来预测结果，发现RBF 核函数和线性核函数结果准确率更加高，并且将结果画了散点图更加直观的观察到其差异。通过核函数，SVR能够将数据映射到更高维的空间，使得复杂的回归关系能够被线性超平面有效拟合。
2024-07-20 22:13:17
1604
原创 线性回归学习
使用不同的评估指标:在评估模型性能时，传统的准确率可能会误导，特别是在类别不平衡的情况下。它考虑了所有可能的分类阈值，并综合考虑了模型的精确度和召回率，因此能够更全面地评估模型在不同类别上的表现。生成合成样本: 生成合成样本的方法利用生成模型，如生成对抗网络（GAN），来生成新的少数类样本。与PCA的比较: 与主成分分析（PCA）不同，LDA考虑类别信息，因此在分类任务中通常比PCA更有优势，尤其是在样本类别之间的差异较大时。多类别逻辑回归: 直接拟合多个类别的逻辑回归模型，输出每个类别的概率。
2024-07-18 23:08:13
1299
原创 聚类分析学习
层次聚类的算法与实现：层次聚类是一种基于数据点之间的相似性逐步建立聚类结构的方法，它包括凝聚层次聚类和分裂层次聚类。如果是有监督的（聚类算法的聚类结果和已知的）使用外部指标更能说明聚类算法的好，如果是无监督的（无需基准数据集，不需要借助与外部参考模型）利用样本数据集中样本点与聚类中心之间的距离来衡量聚类结果的优劣。原形聚类的方法：原型聚类是一类聚类算法，其核心思想是通过定义一些原型或代表性的点来表示每个簇，例如K均值算法：通过将数据点分配给最近的K个质心之一，并更新质心来最小化簇内的平方误差和。
2024-07-16 22:42:20
359
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