- 博客(5)
- 收藏
- 关注
RSS订阅原创 机器学习——logistic回归
它实际上是一种分类方法，主要用于两分类问题（即输出只有两种，分别代表两个类别）,通过给定的n组数据（训练集）来训练模型，并在训练结束后对给定的一组或多组数据（测试集）进行分类。其中每一组数据都是由p 个指标构成。
2022-12-07 19:14:31
570
1
原创 机器学习——垃圾邮件分类
目录一、贝叶斯决策理论的分类方法1.概念： 2.条件概率二、朴素贝叶斯实现垃圾邮件的步骤 三、代码实现1.收集数据：准备25封正常邮件，25封垃圾邮件 2.完整代码3.结果如下：四、总结 1.实验过程中发现发现无法读取存在D盘的文本数据，出现如下错误：2.解决之后发现数据集出错：3.朴素贝叶斯方法的优缺点 解决方法如下：
2022-12-05 22:28:07
1524
原创 机器学习——决策树的剪枝
概念：剪枝主要是解决决策树出现的“过拟合”现象。剪枝就是通过某种判断，避免一些不必要的遍历过程。剪枝剪枝又分为预剪枝和后剪枝。预剪枝：预剪枝，就是将即将发芽的分支“扼杀在萌芽状态”即在分支划分前就进行剪枝判断，如果判断结果是需要剪枝，则不进行该分支划分。后剪枝（自底向上）：在分支划分之后，通常是决策树的各个判断分支已经形成后，才开始进行剪枝判断。# 设置中文显示字体# 设置中文显示字体。
2022-11-21 23:21:46
697
原创 机器学习——决策树的创建
简单来说决策树就是一棵树，一颗决策树包含一个根节点、若干个内部结点和若干个叶结点，叶结点就是问题的决策结果。也就是说一棵树包括根节点、父节点、子节点、叶子节点。子节点由父节点分裂出来，然后子节点作为新的父节点继续分裂，直到得出最终结果。优点：易于理解和解释，决策树分类很快，可以处理不相关特征数据。缺点： 对缺失数据的数据集处理困难。它构建过程是一个递归的过程，需要确定停止条件，否则过程将不会结束。很容易出现过拟合问题。
2022-11-17 08:00:00
3536
原创 # 机器学习实战#（一）——KNN算法
（1）此次算法的实例还不够完整，还缺少数据分析（2）k算法的是优点：简单易懂不需要训练过程；缺点：样本不平衡的时候，对稀有类别的预测准确率低。
2022-11-05 18:21:34
729
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