![](https://img-blog.csdnimg.cn/20201014180756754.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
机器学习方向
文章平均质量分 72
使晦涩难懂的概念变的通俗易懂
等风来
人工智障一枚
展开
-
一篇文章让你秒懂决策树与决策森林
随机森林是一种基于决策树的集成学习算法。它通过构建多个决策树并结合它们的输出来提高模型的泛化能力。随机森林的基本思想是利用多个弱学习器(即决策树)来构建一个强学习器。通俗点来说就是随机森林是一种决策树的集合。每棵决策树都是在一个随机样本上生长的,并且在每个节点处,考虑用于分裂的随机特征集。当我们需要做最终决策时,随机森林中的每一棵树都给出一个预测,我们最后取这些预测的平均值或者投票结果。决策树和随机森林都是强大的机器学习模型,它们通过模拟人类决策过程来处理数据。原创 2024-06-17 14:43:21 · 880 阅读 · 0 评论 -
一个通俗的例子让你秒懂监督学习和非监督学习
这些图片和名字的配对就是训练数据集。这个过程就像是监督学习,孩子们在你的指导下学习,你提供了输入(动物的图片)和输出(动物的名字),孩子们通过学习这些数据,最终能够预测未知动物的名字。你给孩子们展示了一堆动物的图片,但没有告诉他们每种动物的名字。这个过程就像是非监督学习,孩子们自己探索数据,寻找潜在的结构和关系,而不是依赖于你的指导。总结来说,监督学习就像是你在指导孩子们学习,提供了输入和输出的配对,帮助他们预测未知的情况;而非监督学习则是让孩子们自己探索数据,寻找潜在的结构和关系,没有提供直接的指导。原创 2024-06-14 14:41:13 · 364 阅读 · 0 评论 -
监督学习和非监督学习
机器学习中的监督学习和非监督学习原创 2024-06-14 13:55:13 · 757 阅读 · 0 评论 -
机器学习中的过拟合和欠拟合
过拟合发生在模型对训练数据拟合得太过分的情况,即模型在学习过程中不仅学会了数据的真实分布,还学到了训练数据中的随机噪声和细节。结果是模型在训练集上的表现非常出色,但在新的、未见过的测试数据上表现不佳。原创 2024-06-14 15:41:28 · 607 阅读 · 0 评论