- 博客(7)
- 收藏
- 关注
原创 机器学习--聚类算法(第二篇:DBSCAN算法)
这里需要引入一个新的概念就是K距离,我们将某个对象确定为核心对象后,计算每一个点到该点的距离,然后找到突变点,以突变点上一个点的距离作为我们半径r的设定距离。在上图中,算法首先确定了一个核心对象即为A,那么与其直接密度可达的点就为A',A''和A''',再将以上三个点作为核心对象进行密度传递,直至BC两点后发现,BC无法满足最小密度阈值,也就成为了边界点,而N点不属于任何一个特定领域,那么他就是我们所谓的离群点或者噪声点。2.直接密度可达:若某点p在点q的r邻域内,且q是核心点则p-q直接密度可达。
2024-04-28 20:04:56
567
1
原创 机器学习--逻辑回归
不同于深度学习算法,逻辑回归具有简单高效的特点,这也是为什么时至今日该算法依旧流行的原因,同时这也告诉我们一点,我们在实际解决问题的过程中,都是优先选取简单的算法来进行一个初步的尝试,建立对问题朴素的认识,再结合实际情况对算法进行修改,只有当简单算法无法有效解决问题时,我们才会选择一些比较复杂的算法去运用,要知道,算法模型的复杂度越高,过拟合的风险就越大,我们选择模型时,终极目的是正确高效适当的解决问题,而不是通过高难度的算法炫技。是我们线性回归得到的目标,将其带入Sigmoid函数中进行投影。
2024-04-23 09:05:26
506
原创 机器学习--集成算法
正如上面所说,在随机森林模型中,我们将多个树模型进行并列运行,各个树模型在彼此运行时相互独立,这样也就可以极大的提升效率,但是这里我们不妨考虑一下,对于我们的随机森林来说,我们对每个树模型输入的数据相同,而树模型本身的算法相同,这也就意味着每一个树模型的输出结果是相同的,那我们对于树模型的堆叠就毫无意义,因为输出的结果是相同的。有些树模型还是按照并联电路的方式进行排列的,例如Bagging模型,也就是我们常说的随机森林,以及将树模型进行串联电路的方式进行排列的,例如Boosting模型。
2024-04-18 14:51:01
376
原创 机器学习--贝叶斯算法
这样的思维和计算过程是典型的正向概率,而逆向概率就是我们随机摸了10次球,得到了不同数量的白球和黑球,现在要通过黑球和白球的数量来推测原本黑箱中黑球和白球的数量,这就是最简单的逆向概率问题。这里就需要引入我们的朴素贝叶斯,贝叶斯认为,每一个词都是独立的,每一个词的存在都与邮件中其他词的存在无关,所以我们可以将上述的式子变一变。现在有一个学校,学校中男生占60%,女生占40%,且在学校中所有的男生都穿长裤,女生中有一半穿长裤,有一半穿裙子,现在有一个穿长裤的学生,问该学生是女生的概率是多少?
2024-04-17 23:30:57
611
原创 机器学习--聚类算法 (第一篇:K-MEANS算法)
同时由于K-MEANS算法需要对所有的数据点进行多次便利,所有对于复杂庞大的数据来说,K-MEANS算法可能不是一个很好的选择。同时聚类算法也是一种典型的无监督学习算法,所谓无监督学习算法就是我们所传入的数据集中并没有标签来对我们训练的结果进行纠正,这类算法普遍存在的一个训练难点就在于我们对于参数的调控。如何解读上面的公式,本质上如何去判断一个分类好不好,对于K-MEANS算法来说就是每一个数据点到其分类类别质心的距离之和最小,而上述的公式表达的正是这个意思。#K-MEANS算法的优缺点。
2024-04-09 08:46:35
266
原创 机器学习算法--线性回归
这时候我们需要再回头思考一下,现在我们要求解的是上述这个整体式子的最大值,也就是让我们的计算结果y越接近目标值,而式子的前半部分是定值,后半部分的恒正,要想求解y的最大值,是不是就需要求解后面部分的最小值。根据我们最终的得到的公式,我们将x1和x2代入,是不是会得到平面上的一个预测值,但是由于平面无法完全拟合目标,预测值与目标值之间是存在误差的。但是不知道大家发没发现一个问题,那就是我们的公式是线性的,正如上图的那个平面,无法做到对于所有的点进行拟合,所以我们只能寻求最符合所有点的平面,那么如何实现?
2024-04-06 10:37:36
898
1
原创 卷积入门--了解这种优美的计算方法
小林最初接触卷积这一概念是在学习图像的边缘化检测,对于这一抽象概念诱发出浓厚兴趣,决定深入探索,希望通过对于卷积概念的学习,提升自己的思维活跃性和发散性及对于抽象事物的理解概括能力,并且能将该知识的学习方法引申到其他方面。本文仅作为作者学习大佬思绪的学习笔记,供大家参考,如果想要更加生动的了解,可以移步b站大学,在文章末尾出也给大家提供了素材的出处,可直接食用。
2024-03-06 14:48:27
623
1
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