MakotoXavier-CSDN博客

原创机器学习之主成分分析（PCA）

PCA是一种无监督学习方法，即在进行降维时不需要使用数据的标签信息。此外，PCA对数据的分布假设较强，如果数据中存在异常值或噪声，可能会对主成分的计算产生较大影响，导致降维效果不佳。因此，在实际应用中需要根据数据特性和需求选择合适的降维方法。由于降维后的数据保留了原始数据的主要特征信息，因此可以用于后续的机器学习模型训练、数据可视化等任务。

2024-06-16 22:16:23 254

支持向量机（SVM）是一种强大且流行的监督学习算法，主要用于数据分类问题。其核心思想是通过寻找一个超平面（在二维空间中为一条直线，三维空间中为一个平面，高维空间中为超平面）来对训练数据进行划分，使得不同类别的数据分隔在超平面的两侧。SVM的目标是找到一个超平面，使得该超平面对于所有训练样本的划分结果最为准确，同时对于新的未知样本也具有良好的泛化能力。SVM是一种功能强大的机器学习算法，特别适用于分类问题，并在回归和异常检测等任务中也有广泛应用。

2024-06-11 02:53:31 537

原创机器学习之Logistic回归

逻辑回归（Logistic Regression）是一种用于解决二分类（0/1问题）问题的统计学习方法，它属于广义线性回归模型的一种，但不同于线性回归模型的是，逻辑回归通过逻辑函数（或称为sigmoid函数）将线性回归的预测值映射到0和1之间，从而使其能够处理二分类问题。逻辑回归是一种用于解决二分类问题的统计学习方法，因其简单性和可解释性而广泛应用于各种二分类问题中。在构建逻辑回归模型时，需要注意特征选择、数据预处理和模型评估等方面的工作，以确保模型的性能和泛化能力。

2024-05-29 16:58:49 807

原创机器学习之朴素贝叶斯

朴素贝叶斯（Naive Bayes）是一种基于贝叶斯定理与特征条件独立假设的分类方法。在机器学习和自然语言处理等领域，朴素贝叶斯被广泛用于分类问题，如文本分类、垃圾邮件过滤等。它的核心思想是通过已知的训练数据集中的类别概率和特征概率，来预测新样本的类别。通过本次实验我了解了朴素贝叶斯算法的实际运用，朴素贝叶斯算法是一种基于贝叶斯定理和特征条件独立假设的分类方法。它假设样本的各个特征在给定类别下是相互独立的，从而简化计算。算法通过计算样本属于每个类别的后验概率，选择概率最大的类别作为预测结果。

2024-05-13 22:08:12 537

原创机器学习之决策树

本次实验通过scikit-learn库构建并训练了决策树分类器，用于处理分类问题。实验过程中，成功地将数据集划分为特征和目标变量，并划分为训练集和测试集。通过训练模型并对测试集进行预测，评估了决策树模型的性能，结果显示其分类准确率较高。决策树模型具有易于理解和解释的优点，但也需要注意其可能存在的过拟合问题。尽管存在这些局限性，决策树仍然是一种广泛适用的机器学习算法，可用于多种实际场景。未来，我们可以通过集成方法进一步提升决策树的性能。

2024-04-29 20:56:07 469