Nil0_-CSDN博客

原创机器学习——主成分分析 PCA

主成分分析（PCA）是机器学习领域中的一种重要算法，主要应用于数据的降维和特征提取。PCA的目的是通过保留数据集中的主要信息，将高维数据集转换为低维数据集，从而简化模型训练和提高模型性能。通过这个实验，我们对PCA的基本原理和应用有了更深入的了解。实验结果表明，PCA是一种有效的数据降维方法，可以帮助我们简化数据结构，揭示数据中的潜在规律。然而，在实际应用中，我们需要根据具体问题和数据集特点选择合适的主成分数量，并注意PCA的局限性。

2024-06-23 23:38:15 872

原创机器学习-支持向量机（SVM）

SVM算法的作用与优点SVM算法主要用于解决分类和回归问题。具体来说，SVM的作用包括：1. 分类问题：SVM可以用来将数据分为两个或多个类别。通过找到一个最佳的超平面，将不同类别的数据点分开，实现对数据的分类。SVM还可以使用核函数来处理非线性分类问题2. 回归问题：SVM也可以用于解决回归问题。通过设置合适的参数和核函数，SVM能够拟合出非线性的回归曲线，对数据进行回归分析。

2024-06-11 16:03:45 556

原创机器学习——Logistic回归

机器学习的回归(Regression)和分类(Classification)是两种常见的预测任务，它们在目标和方法上有一些关键区别：回归和分类是机器学习中的两种主要任务，它们的主要区别在于预测的目标不同。回归（Regression）通常处理的是数值预测问题，目标是最小化预测值和实际观测值之间的平方差。例如，房价预测就是一个回归问题，目标是通过考虑多种影响房价的因素（如房屋面积、位置、装修等），预测房价。回归的目标是找到一个模型，使得这个模型能够最好地预测数值变量（如房价）的变化。

2024-05-28 22:57:36 1866

原创机器学习——朴素贝叶斯

朴素贝叶斯（Naive Bayes）是一种基于概率统计和特征条件独立性假设的机器学习算法，常用于分类和文本分类任务。它的名字来源于贝叶斯定理，该定理描述了在已知先验概率的情况下，如何根据新的观察结果来更新概率。朴素贝叶斯算法的核心思想是假设每个特征之间相互独立，即使在实际情况中这种假设并不一定成立。尽管这个假设相对简单，但在许多实际应用中，朴素贝叶斯表现良好，并且通常具有较快的训练速度和良好的泛化能力。在分类任务中，朴素贝叶斯算法根据特征的出现概率来计算每个类别的概率，并选择具有最高概率的类别作为预测结果。

2024-05-14 01:52:05 1763

原创机器学习——决策树

决策树是一种常用的机器学习算法，用于分类和回归问题。它通过构建一棵树状结构来对数据进行分类或预测，树上的每个节点代表一个特征或属性，树枝则指向具有最佳属性的样本类别。决策树算法通过递归地将数据集划分为更小的子集来构建决策树，每个子集都使用相同的属性进行划分，直到满足停止条件，如子集中所有样本都属于同一类别或样本数量太少。

2024-04-30 12:48:38 758

原创机器学习——模型评估

模型评估是在训练完模型之后对其进行性能评估的过程。评估模型的性能有助于确定模型的准确性和可靠性，以及对不同模型进行比较和选择。在模型评估过程中，通常会使用一些指标来衡量模型的性能，比如准确率、精确率、召回率、F1值等。这些指标可以帮助我们了解模型在不同方面的表现，从而更好地优化模型。除了指标之外，模型评估也可以通过交叉验证、混淆矩阵、ROC曲线等方法来进行。这些方法可以帮助我们更全面地了解模型的性能，并找出模型的优劣之处。

2024-04-16 13:34:57 1740

原创 KNN算法

KNN（K-近邻）算法是一种简单但有效的机器学习算法，主要用于分类任务。其基本思想是：如果一个新样本在特征空间中的K个最近邻的绝大多数属于某类别，则该样本也属于这个类别。

2024-04-01 22:59:56 260

原创 Anaconda和vscode的安装

第一步：去官网下载Anaconda。第二步：去官网下载vscode。第三步：对环境进行配置。上图即表明配置环境成功。

2024-03-18 20:14:32 398

Nil0_的博客