数据科学/机器学习python——分类模型代码实现【KNN/ 决策树/ 逻辑回归/ 贝叶斯】

最新推荐文章于 2024-04-24 22:39:55 发布
最新推荐文章于 2024-04-24 22:39:55 发布
阅读量927 收藏 6
点赞数
分类专栏： 数据科学 笔记 实践代码 文章标签： python 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Cristy_Chen/article/details/108997505
版权

分类模型

评估分类模型指标：正确率accuracy、F值F-measure、精度precision、召回率recall

  • 逻辑回归

    • 风险评估中最经典最常用的模型
    • 通常解决二分类问题，即预测目标y的取值范围为{1,-1}
    从线性回归到逻辑回归
    • 线性回归存在问题：y取值为连续实数而非离散值——解决：引入逻辑斯蒂函数，将连续性的输出映射到(0,1)之间
    • 当输入x很大或很小时，函数接近于0或1的值输出，σ(0)=0.5
    • 使用逻辑斯蒂函数，可将任意实数映射到(0,1)之间，在逻辑回归中可解释为样本属于正类y=1的概率，记
    • 样本xi为正类的概率为：
    • 样本xi为负类的概率为：
    • 可统一为：
    • 利用逻辑斯蒂函数，建立二元预测目标与原始输入之间的关系
    参数估计
    • 二分类【逻辑斯蒂函数】
      • 训练集D={(x1,y1),(x2,y2),…,(xn,yn)}，最大似然法估计参数w，似然函数：
      • 对L(w)取对数，得到训练集的负对数似然：
      • 即目标为：min NLL(w)【梯度下降法】，w←w-η▽NLL(w)，η：学习率，▽NLL(w)为目标函数对于参数w的梯度
      • 记，
      • 因为
      • 所以
      • w←
    • 多分类
      • 将逻辑斯蒂函数替换成softmax函数
      • 训练集D={(x1,y1),(x2,y2),…,(xn,yn)}，其中每一个样本可能属于C种类别，即yi∈{1,2,…,C}，在逻辑回归中仅有一个d维的参数向量w，但在多分类的情况下，每一个类别c都需要一个参数向量wc，参数为W={w1,w2,…wC}
      • 其条件概率p(yi|xi)

  • K近邻KNN

    • 最经典、简单的有监督学习方法，适用于当数据的分布只有很少或者没有任何先验知识时，既能解决分类问题，也能解决回归问题

    • 原理简单：当对测试样本进行分类时，首先扫描训练集，找到与该测试样本最相似的k个训练样本，根据这k个样本的类别进行投票确定测试样本的类别【k个样本里哪个类别最多则可预测测试样本也为该类别，可形象化为在二维图种，以测试样本为圆心画圆，园内哪类样本多，则可预测测试样本也为该类别】；也可以通过k个样本与测试样本的相似程度进行加权投票

    • 在这里插入图片描述

    • 流程：

      • 1确定k的大小和距离计算的方法；
      • 2从训练样本中得到k个与测试样本最相似的样本
      • 3根据k个最相似训练样本的类别，通过投票的方式来确定测试样本的类别

    • 核心问题

      • 1寻找测试样本“近邻”的方法，即如何计算样本之间的距离或相似度
      • 2如何选择k值大小
      • 3当训练集样本数量较多或维度较大时，如何快速预测

    • 当样本数据能够表示为多维的连续型取值时，可选择欧式距离

    • k值的选择
      • 慢慢试
    • 提高预测性能

    • K近邻算法在进行预测时的时间复杂度为O

    • 优点：简单实用，易于实现；对于二分类问题，如果训练集无限大，K近邻算法的泛化误差的上界为贝叶斯错误率的两倍；对异常数据不敏感【抗噪性】

    • 缺点：计算效率不高，当训练集较小时，易导致过度拟合

    • 除了解决分类问题，还可解决回归问题：

    • 样本x的预测值：d(xi,xj)为样本xI 到样本xj之间的距离

  • 决策树模型

    • 核心问题：如何根据训练数据，自动生成决策树
    • 决策树的生成
      • 根结点开始，选择对应特征；然后选择该节点特征的分裂点，根据分裂点分裂节点
      • 当某一节点中数据只属于某类别（分类问题）或者方差较小（回归问题）时，节点则不再进行进一步分裂
      • 核心问题：选择节点特征和特征分裂点
        • 不纯度：用来表示落在当前节点的样本的类别分布均衡程度【分裂节点目标：样本类别分布更不均衡，即降低不纯度】不纯度越低越好
        • 根据不纯度的下降程度来选择特征和对应的分裂点
        • 节点不纯度度量方法：Gini指数、信息熵、误分率
          • Gini指数
            • 当样本均匀分布在每一个类中，则Gini指数为1-1/C，不纯度大
            • 当样本都分布在同一类时，Gini指数为0，不纯度小
            • 当一个节点t被分成K个子节点时，分割的Gini指数为
            • 挑选使Gini(t)-Ginisplit最大的特征进行分裂
          • 信息熵：描述信息不确定度
            • 当样本均匀分布在每一个类中，熵为log2C，说明不纯度大
            • 当样本属于同一个类时，熵为0，说明不纯度小
            • 信息增益：节点分裂前后信息熵的下降值
            • 缺点：倾向于分裂成很多小节点（节点的样本数较小），容易造成过拟合
            • 信息增益率：
            • 节点分裂的子节点的样本数信息
          • 误分率
            • 按当前多数类来预测当前节点样本的类别时，被错误分类的数据比例
            • 当样本均匀分布在每一个类中，则Gini指数为1-1/C，不纯度最大
            • 当样本都分布在同一类时，Gini指数为0，不纯度最小
          • 节点不纯度
            • 对于二分类，p是正类样本的比例，则
              • Gini：2p(1-p)
              • 信息熵：-plog2p-(1-p)log2(1-p)
              • 误分率：1-max(p,1-p)
              • 信息熵最大，对不纯度的惩罚最强
    • 决策树的修剪
      • 树分太细-过于复杂、过度拟合【例，每个树叶只包含一个样本，训练误差为0，但易造成过拟合】

  • 朴素贝叶斯

    • 基于贝叶斯定理和特征条件独立性假设的分类方法
    • 贝叶斯定理
      • 使用贝叶斯定理预测
      • 对于某一样本X，p(X)固定，上述式子等价于
      • 条件独立性假设
      • 朴素贝叶斯分类器

实践代码

KNN

#K近邻
import pandas as pd
from sklearn import cross_validation
from sklearn import metrics
from sklearn.neighbors import KNeighborsClassifier
from sklearn import preprocessing

##整数编码-diagnosis
def integer_coding(diagnosis):
    dignosis_dict = {"B":0,"M":1}
    diagnosis = diagnosis.map(dignosis_dict)
    print(diagnosis)
    return diagnosis

##数据标准化
def min_max_normalize(x):
    return (x - x.min())/(x.max() - x.min())

##划分训练集和测试集
def partition(dataset, y):
    dataset_minmax_train, dataset_minmax_test,\
    dataset_train_labels, dataset_test_labels \
    = cross_validation.train_test_split(dataset, y, test_size=0.3, random_state=0)

    print(dataset_train_labels.value_counts()/len(dataset_train_labels))
    print(dataset_test_labels.value_counts()/len(dataset_test_labels))

    return dataset_minmax_train, dataset_minmax_test,\
            dataset_train_labels, dataset_test_labels
            
##模型训练
def knn(minmax_train, train_labels, minmax_test, n_neighbors, test_labels):
    #train
    knn_model = KNeighborsClassifier(n_neighbors)
    knn_model.fit(minmax_train, train_labels)
    
    test_pred = knn_model.predict(minmax_test)

    #test
    accuracy = metrics.accuracy_score(test_labels, test_pred)
    confusion_mat = metrics.confusion_matrix(test_labels, test_pred)
    
    print("分类报告：\n", metrics.classification_report(test_labels, test_pred))
    print("k = ", k)
    print("\t正确率: ", '%.2f'%(accuracy*100) + "%")
    print("\t假阴性：", confusion_mat[0,1])
    print("","\t假阳性：", confusion_mat[1,0])

    return test_pred

##Z-Score标准化
def Z_Score(dataset):
    dataset_zscore = pd.DataFrame(preprocessing.scale(dataset),\
                                        columns = dataset.columns)
    print(dataset_zscore.head(5))
    print(dataset_zscore.area_mean.mean())
    print(dataset_zscore.area_mean.std())
    
    return dataset_zscore


if __name__=="__main__":
    breast_cancer = pd.read_csv('wisc_bc_data.csv',\
                                engine='python')
    print(breast_cancer.shape)
    print(breast_cancer.head(10))
    
    del breast_cancer["id"]
    
    print(breast_cancer.diagnosis.value_counts())
    print(breast_cancer.diagnosis.value_counts()/len(breast_cancer))
    
    breast_cancer["diagnosis"] = integer_coding(breast_cancer["diagnosis"])
    
    print(breast_cancer[["radius_mean", "area_mean","smoothness_mean"]].describe())
    
    ##Min_Max
    
    print('\n')
    print("-------------------------------Min_Max-------------------------------")
    print('\n')
    
    #数据标准化-minmax
    for col in breast_cancer.columns[1:31]:
        breast_cancer[col] = min_max_normalize(breast_cancer[col])
        
    print(breast_cancer.iloc[:,1:].describe())  #是否正确标准化
    
    #数据集划分
    y = breast_cancer['diagnosis']
    del breast_cancer['diagnosis']
    breast_cancer_minmax_train, breast_cancer_minmax_test,\
    breast_cancer_train_labels, breast_cancer_test_labels = partition(breast_cancer, y)
    print(breast_cancer_minmax_train)
    #knn
    k_list = (1,3,5,7,9,11,15,21,27)
    for k in k_list:
        knn(breast_cancer_minmax_train, breast_cancer_train_labels, \
            breast_cancer_minmax_test, k, breast_cancer_test_labels)
        
    ##Z-Score
    
    print('\n')
    print("-------------------------------Z-Score-------------------------------")
    print('\n')
    
    #数据标准化-zscore
    breast_cancer_zscore = Z_Score(breast_cancer)
    #数据集划分
    breast_cancer_zscore_train, breast_cancer_zscore_test,\
    breast_cancer_zscore_train_labels, breast_cancer_zscore_test_labels  = partition(breast_cancer_zscore, y)
    
    #knn
    k_list = (1,3,5,7,9,11,15,21,27)
    for k in k_list:
        knn(breast_cancer_zscore_train, breast_cancer_zscore_train_labels,\
            breast_cancer_zscore_test, k, breast_cancer_zscore_test_labels)

贝叶斯

import numpy as np
import pandas as pd
from sklearn import cross_validation

##整数编码-diagnosis
def integer_coding(diagnosis):
    dignosis_dict = {"B":0,"M":1}
    diagnosis = diagnosis.map(dignosis_dict)
    print('!!', diagnosis)
    return diagnosis

##数据标准化
def min_max_normalize(x):
    return (x - x.min())/(x.max() - x.min())

##划分训练集和测试集
def partition(dataset, y):
    dataset_minmax_train, dataset_minmax_test,\
    dataset_train_labels, dataset_test_labels \
    = cross_validation.train_test_split(dataset, y, test_size=0.3, random_state=0)

    print(dataset_train_labels.value_counts()/len(dataset_train_labels))
    print(dataset_test_labels.value_counts()/len(dataset_test_labels))

    return dataset_minmax_train, dataset_minmax_test,\
            dataset_train_labels, dataset_test_labels
            

def createNBClassifier(train_matrix, train_label):

    ## 获取训练集的数量num
    num = len(train_matrix)
    
    ## 获取train_matrix的维度num_col
    num_col = len(train_matrix[0])
    
    ## 统计c = 1下x_{i}的出现的频次列表，形如[num(x_1|c = 1), num(x_2|c=1),...];同理 c = 0
    ## 为了防止出现概率为零的情况，我们将所有词出现的频次初始化为1
    p1_num = np.ones(num_col)
    p0_num = np.ones(num_col)
    
    ## 良性喝恶性数量  
    p1_vec_denom = 0.
    p0_vec_denom = 0.
    
    for index in range(num):
       
        if train_label[index] == 1:
            p1_num = p1_num + np.array(train_matrix[index])
            p1_vec_denom = p1_vec_denom + np.sum(train_matrix[index])
        else:           
            p0_num = p0_num + np.array(train_matrix[index])
            p0_vec_denom = p0_vec_denom + np.sum(train_matrix[index])
    
    ####根据从训练集统计的频次
    ##计算[p(x_i | c = 1), p(x_2|c = 1)...] [p(x_i) | c = 0), p(x_i|c=0),...]
    ####为了防止向下溢出，概率取对数;为了配合初始化值为1的频次，分母+2
    p1_vec = np.log(p1_num/(p1_vec_denom + 2))
    p0_vec = np.log(p0_num/(p0_vec_denom + 2))
    
    ## 计算乳腺癌出现的概率
    pc1 = np.sum(train_label)/float(num) 
    
    ## 计算正常出现的概率
    pc0 = pc0 = 1 - pc1
    
    ##返回结果
    return p1_vec, p0_vec, pc1, pc0



def predict(test_matrix, p1_vec, p0_vec, pc1, pc0):

    ## 声明预测标签列表，初始值为0
    pred_label = [0 for i in range(len(test_matrix))]
    
    ## 遍历测试机中的每一个样本
    for index, record in enumerate(test_matrix):
        ## 将list转换为ndarray
        record_array = np.array(record)
        
        ## 根据公式 log(p(c|x))正比于 log(p(x_1|c)p(x_2|c)...p(x_k|c)p(c))
        ## 计算测试样本属于乳腺癌的概率
        p1 = np.dot(record_array, p1_vec) + np.log(pc1)
    
        ## 计算测试样本属于正常的概率
        p0 = np.dot(record_array, p0_vec) + np.log(pc0)
        
        ## 确认预测标签
        if p1 > p0:
            ##将索引为index的测试标签值改为1
            pred_label[index] = 1
        else:
            continue
    
    ## 返回结果
    return pred_label





if __name__=="__main__":
    breast_cancer = pd.read_csv('D:\\study\\3\\数据科学\\数据集\\实验二\\乳腺癌诊断数据集\\wisc_bc_data.csv',\
                                engine='python')
    print(breast_cancer.shape)
    print(breast_cancer.head(10))
    
    del breast_cancer["id"]
    
    print(breast_cancer.diagnosis.value_counts())
    print(breast_cancer.diagnosis.value_counts()/len(breast_cancer))
    
    breast_cancer["diagnosis"] = integer_coding(breast_cancer["diagnosis"])
    
    print(breast_cancer[["radius_mean", "area_mean","smoothness_mean"]].describe())
    
    ##Min_Max
    
    print('\n')
    print("-------------------------------Min_Max-------------------------------")
    print('\n')
    
    #数据标准化-minmax
    for col in breast_cancer.columns[1:31]:
        breast_cancer[col] = min_max_normalize(breast_cancer[col])
        
    print(breast_cancer.iloc[:,1:].describe(), '\n', '\n')  #是否正确标准化
    
    #数据集划分
    y = breast_cancer['diagnosis']
    del breast_cancer['diagnosis']
    breast_cancer_minmax_train, breast_cancer_minmax_test,\
    breast_cancer_train_labels, breast_cancer_test_labels = partition(breast_cancer, y)
    #print(breast_cancer_minmax_train)
    breast_cancer_minmax_train = breast_cancer_minmax_train.values
    breast_cancer_minmax_test = breast_cancer_minmax_test.values
    breast_cancer_train_labels = breast_cancer_train_labels.values
    breast_cancer_test_labels = breast_cancer_test_labels.values
    
    p1_vec, p0_vec, pc1, pc0 = createNBClassifier(breast_cancer_minmax_train, breast_cancer_train_labels)
    
    ## 使用测试数据集预测标签
    pred_label = predict(breast_cancer_minmax_test, p1_vec, p0_vec, pc1, pc0) 
    #print(pred_label)
    ## 获取预测标签与真实标签的差，diff类型为ndarray
    diff = np.array(pred_label) - np.array(breast_cancer_test_labels)
    #print(diff)
    ## 计算错误率
    error_rate = abs(sum(diff))/float(len(diff))
    
    ## 打印错误率
    print ("错误率:", error_rate)
    print("正确率：",(1-error_rate))
Gadus_
关注
  • 0
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
机器学习之模型评估（分类模型，回归模型）ROC,PR曲线
Bigpity的博客
10-16 453
混淆矩阵（Confusion Matrix）是在机器学习中，用于对分类模型的性能进行评估的一种方法。混淆矩阵展示了模型在分类任务中的预测结果与实际标签之间的对应关系。混淆矩阵通常是一个二维矩阵，其中每一行代表着实际标签的类别，每一列代表着预测结果的类别。真正例（True Positive, TP）：表示模型将正样本正确地预测为正样本的数量。假负例（False Negative, FN）：表示模型将正样本错误地预测为负样本的数量。
KQBC.zip_不确定度_主动学习_主动学习算法_熵
07-15
一种基于不确定度的主动学习算法。基于核的信息熵。
分类分析|KNN分类模型及其Python实现
benxuu的博客
04-24 1371
KNN是一种基于类比学习的分类算法，其算法原理是在训练数据集中找出K个与预测样本距离最近且最相似的样本，这些样本大部分属于哪个类别，则该预测样本也属于哪个类别。
【机器学习】K近邻算法（K-NearestNeighbors , KNN）详解 + Java代码实现
热门推荐
知不足而奋进，望远山而前行
01-09 2万+
邻近算法，或者说K最邻近（KNN，K-NearestNeighbors）分类算法是分类方法中最简单的方法之一。所谓K最近邻，就是K个最近的邻居的意思，说的是每个样本都可以用它最接近的K个邻近值来代表。近邻算法就是将数据集合中每一个记录进行分类的方法。KNN 最初由 Cover 和 Hart 于1968年提出，是一个理论上比较成熟的方法，也是最简单的机器学习算法之一。
KNN算法回归问题介绍和实现
敲代码的小小酥的博客
09-11 1049
上篇博客中，介绍了使用KNN算法实现分类问题，本篇文章介绍使用KNN算法实现回归问题。介绍思路是先使用sklearn包提供的方法实现一个KNN算法的回归问题。再自定义实现一个KNN算法的回归问题工具类。 一、sklearn包使用KNN算法 1. 准备数据 使用sklearn包提供的make_regression模块制作回归类型数据。 from sklearn.datasets import make_regression 除了make_regession外，sklearn包还提供了制作分类问题的数据等方法
主动学习(Active Learning，AL)的理解以及代码流程讲解
weixin_45928096的博客
03-28 1万+
针对有监督的学习任务，存在标记成本较为昂贵且标记难以大量获取的问题。 在此问题背景下，主动学习（Active Learning, AL）尝试通过选择性的标记较少数据而训练出表现较好的模型。 主动学习的工作流程的关键是选择模型、使用的不确定性度量以及应用于请求标签的查询策略。 主要步骤为：收集数据、建立模型、使用查询策略来选取未标注的样本进行标注、重新训练模型直到满足精度为止。 主动学习编写代码的流程是：导入相应的包、数据集准备以及初始数据集的选取、定义主动学习器ActiveLeaner、进行主动学习
【机器学习】５折交叉验证的评分-模型逻辑回归，决策树，SVM,随机森林，GBDT,Xgboost，lightGBM
小苏打的学习博客
06-02 9407
导入的包 import pandas as pd import warnings from sklearn.preprocessing import scale from sklearn.model_selection import cross_val_score from sklearn.linear_model import LogisticRegression from sklearn.tr...
传统机器学习分类算法python实现源码集合(KNN决策树贝叶斯随机森林SVM等).zip
03-13
传统机器学习分类算法python实现源码集合(KNN决策树贝叶斯随机森林SVM等).zip 传统机器学习分类算法 1.KNN 2.朴素贝叶斯 3.决策树 4.Adaboost 5.模型评估与选择 6.SVM 传统机器学习分类算法python实现源码集合(KNN...
基于python语言实现的各种机器学习算法案例源码带详细注释(含KNN、贝叶斯、决策树、线性回归、逻辑回归).zip
最新发布
06-19
基于python语言实现的各种机器学习算法案例源码带详细注释(含KNN、贝叶斯、决策树、线性回归、逻辑回归).zip 基于python语言实现的各种机器学习算法案例源码带详细注释(含KNN、贝叶斯、决策树、线性回归、逻辑回归)....
《机器学习实战》- 约会网站数据的KNN分析-手写数字KNN分析-PLA算法决策树 朴素-贝叶斯-逻辑回归+源代码+文档说明
12-23
1、资源内容：《机器学习实战》- 约会网站数据的KNN分析-手写数字KNN分析-PLA算法决策树 朴素-贝叶斯-逻辑回归+源代码+文档说明 2、代码特点：内含运行结果，不会运行可私信，参数化编程、参数可方便更改、代码编程...
机器学习实践案例，mnist数据集，KNN算法分类、决策树分类Iris数据集、朴素贝叶斯分类西瓜数据集、逻辑斯蒂回归，随机梯度
06-21
机器学习实践案例，mnist数据集，KNN算法分类、决策树分类Iris数据集、朴素贝叶斯分类西瓜数据集、逻辑斯蒂回归，随机梯度 mnist数据集，KNN算法分类。 决策树分类Iris数据集（鸢尾花）。 朴素贝叶斯分类西瓜数据集...
Python实现KNN算法和交叉验证
m0_64336780的博客
09-27 1万+
交叉验证是一种模型选择方法和调参方法，它随机地将数据集 切分成三部分，分别为训 练集(training set)、验证集(validation set)和测试集(test set)。训练 集用来训练模型，验证 集用于模型的选择，测试集用于最终对学习方法的评估。
数据分析-数据集划分-交叉验证
老Liu的博客
03-21 4608
交叉验证
5折交叉验证_数据集的划分——交叉验证法
weixin_39747087的博客
11-24 8050
本文作者：王 歌 文字编辑：戴 雯 技术总编：张 邯前面我们在举例时，通常是将所使用的数据集按照75%和25%的比例划分为训练集和测试集，这主要是为了我们举例方便，同时划分后的数据量也依然符合大样本的要求。其实在机器学习中还有其他划分数据集的方法，可以在本身数据总量就比较小时使模型达到很好的效果，我们今天介绍的交叉验证法就是比较常用的方法，它在我们将要介绍的集成学习的Stacking算法中经常使用...
不确定度 Uncertainty
qq_43733107的博客
11-07 644
不确定度
山东大学 机器学习 决策树实验
不服输的苏大叔的博客
01-17 1066
决策树实验 实验任务： 实现ID3决策树，并在给定的数据集上进行5折交叉验证。并观测训所得到的决策树在训练集和测试集的准确率，从而判断该决策树是否存在过拟合。在此基础上实现预剪枝和后剪枝，并比较预剪枝树与后剪枝树在训练集和测试集上的准确率。 编程语言：java, matlab, python, C++，C均可 数据集： 鸢尾花卉Iris数据集描述： iris是鸢尾植物，这里存储了...
训练集，验证集，测试集（以及为什么要使用验证集？）（Training Set, Validation Set, Test Set）
积一时之步，臻千里之遥程
10-25 7257
转载自：训练集，验证集，测试集（以及为什么要使用验证集？）（Training Set, Validation Set, Test Set） 对于训练集，验证集，测试集的概念，很多人都搞不清楚。网上的文章也是鱼龙混杂，因此，现在来把这方面的知识梳理一遍。让我们先来看一下模型验证（评估）的几种方式。 在机器学习中，当我们把模型训练出来以后，该怎么对模型进行验证呢？（也就是说怎样知道训练出来的模型好不好？）有以下几种验证方式： 第一种方式：把数据集全部作为训练集，然后用训练集训练模型，用训练集验证模型（如果有多
Python——机器学习分类模型实例：从数据预处理到模型训练全流程
weixin_53848907的博客
01-17 2126
本文旨在通过一份具体的数据，演示机器学习分类任务从数据预处理到模型训练的全流程。数据预处理过程主要包括缺失值、离群值处理，哑变量化和标准化。模型训练采用随机森林模型和LightGBM模型，同时进行了重要性变量提取和参数调优。文中也对一些细节和进阶的数据处理方法，进行了相应的文字提示。
【机器学习】最大熵模型实现
phd的专栏
09-03 1062
文章目录数据准备最大熵模型 数据准备 最大熵模型可以应用于多类别分类，因此这里直接使用原手写识别mnist十类的数据；即 https://github.com/phdsky/ML/tree/master/data 中的 mnist.csv。 最大熵模型 ...
互联网大数据ppt第6章大数据分析中的四种常见分类算法.pptx
03-22
本资源为互联网大数据分析领域的PPT，主要介绍了大数据分析中常见的四种分类算法，包括决策树、贝叶斯分类、K-最近邻（KNN）和支持向量机（SVM）。此外，还列举了这些算法在实际应用中的场景。 详细内容： 在大数据...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值