- 博客(12)
- 收藏
- 关注
原创 机器学习之支持向量机
支持向量机(Support Vector Machine,SVM)是一种广泛应用于分类和回归分析的机器学习算法。它通过将样本映射到高维特征空间,寻找一个最优的超平面来实现分类。本文将介绍 SVM 的原理,并使用 Python 实现。
2024-06-10 22:27:42
911
原创 机器学习之逻辑回归
逻辑回归(Logistic Regression)是一种用于解决二分类问题的统计学习方法,尽管名字中带有“回归”,但实际上它是一种分类算法。逻辑回归的图像特点主要体现在其决策边界和概率输出上。1. 逻辑回归的应用场景广告点击率是否为垃圾邮件是否患病金融诈骗虚假账号看到上面的例子,我们可以发现其中的特点,那就是都属于两个类别之间的判断。逻辑回归就是解决二分类问题的利器。
2024-05-29 13:30:54
551
原创 朴素贝叶斯
dict_y {0: [0, 1, 2, 3, 4, 5, 6, 7], 1: [8, 9, 10, 11, 12, 13, 14, 15, 16]},y是从第0行开始计算的,共17行数据,转换为17列数据。可以看出,输入的测试数据x = ["青绿", "蜷缩", "沉闷", "清晰", "凹陷", "硬滑", "0.45", "0.883"]判断结果为是好瓜。离散属性(色泽,根蒂,敲声,纹理,脐部,触感)discrete_class [0, 1, 2, 3, 4, 5]
2024-05-15 14:15:01
853
原创 机器学习之决策树
决策树的构建过程是递归的,从根节点开始,选择一个最优的特征属性进行划分,然后递归地对每个子节点进行相同的操作,直到所有叶子节点都代表了一个类别或达到了停止条件,如达到最大深度、样本数量小于阈值等。特征选择方式不同:根据信息增益进行决策的决策树会选择使得信息增益最大的特征进行分裂,而根据基尼指数进行决策的决策树会选择使得基尼指数最小的特征进行分裂。处理连续值的方式不同:根据信息增益进行决策的决策树可以处理连续值,而根据基尼指数进行决策的决策树通常需要对连续值进行离散化处理。
2024-04-28 20:19:53
666
原创 机器学习之模型评估
指预测结果中真正例(True Positive,TP)占所有预测结果中正例(Positive,TP+FP)的比例。公式为:Precision = TP / (TP + FP)。查准率越高,说明模型预测结果中真正例的比例越高,模型对于正样本的识别能力越强。指预测结果中真正例(True Positive,TP)占所有实际正例(Positive,TP+FN)的比例。公式为:Recall = TP / (TP + FN)。查全率越高,说明模型能够成功预测出的正样本比例越高,模型的识别能力越全面。
2024-04-16 00:06:02
982
1
原创 K-近邻算法 手写数字识别
在这个实验中,使用了 KNN 算法对手写数字进行识别,通过 scikit-learn 提供的工具包来实现。数据准备: 使用了 scikit-learn 提供的函数加载了手写数字数据集,并将数据集划分为特征集X和标签集y。数据预处理: 对特征数据进行了归一化处理,使用了对数据进行了标准化处理,以加快模型收敛速度,并提高模型性能。数据拆分: 将数据集拆分成了训练集和测试集,其中80%的数据用于训练,20%用于测试。模型训练和评估: 使用了构建了 KNN 模型,设置了,并在训集上训练了模型。
2024-04-01 20:19:27
760
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