ai-algorithm
文章平均质量分 87
藓类少女
这个作者很懒,什么都没留下…
展开
-
【机器学习算法】梯度提升决策树
梯度提升决策树(Gradient Boosting Decision Trees, GBDT)是一种集成学习方法,它通过结合多个弱学习器(通常是决策树)来构建一个强大的预测模型。GBDT 是目前最流行和最有效的机器学习算法之一,特别适用于回归和分类任务。它在许多实际应用中表现出色,包括金融风险控制、搜索排名、推荐系统等领域。原创 2024-08-15 18:56:51 · 1026 阅读 · 0 评论 -
[机器学习算法] Q学习
Q学习(Q-Learning)是一种基于值的强化学习算法,用于在给定状态下选择动作,以最大化累积奖励。它通过不断更新一个称为Q表(Q-table)的表来学习动作的价值。原创 2024-06-20 18:23:56 · 1184 阅读 · 0 评论 -
[机器学习] 监督学习和无监督学习
监督学习和无监督学习是机器学习的两种主要方法,它们之间有几个关键区别:监督学习(Supervised Learning):无监督学习(Unsupervised Learning):监督学习:无监督学习:监督学习:无监督学习:监督学习示例:无监督学习示例:监督学习:无监督学习:监督学习:无监督学习:总结起来,监督学习使用带标签的数据进行训练,目标是预测或分类新的数据,而无监督学习使用无标签的数据,目标是发现数据的内在结构或模式。两者在数据需求、训练目标和评估方法上有显著的区别。原创 2024-06-20 17:54:59 · 511 阅读 · 0 评论 -
[机器学习算法] 主成分分析
主成分分析(Principal Component Analysis, PCA)是一种用于降维和特征提取的统计方法。它可以将高维数据投影到较低维度的空间中,同时尽量保留数据的变异性。以下是详细的学习步骤,包括理论和实际操作。原创 2024-06-20 17:40:20 · 1102 阅读 · 0 评论 -
[机器学习算法] K均值聚类
K均值聚类是一种迭代算法,通过将数据分成K个簇来最小化簇内数据点到簇中心的距离。原创 2024-06-20 16:56:03 · 1573 阅读 · 0 评论 -
[机器学习算法]支持向量机
支持向量机(SVM)是一种用于分类和回归分析的监督学习模型。SVM通过找到一个超平面来将数据点分开,从而实现分类。原创 2024-06-20 12:55:52 · 892 阅读 · 0 评论 -
[机器学习算法]决策树
特征选择以增益率为例,在决策树构建过程中,选择每个节点的分裂特征是基于当前数据集的增益率计算结果的。对于每个分裂点,我们都会重新计算剩余特征的增益率,并选择其中最高的作为下一个分裂特征。树的每个节点表示一个特征,节点之间的分支表示特征的可能取值,叶节点表示分类或回归结果。固有值是衡量属性取值多样性的一种指标。通过这种方式,决策树会根据每个节点选择最佳的分裂特征,直到所有数据点都被正确分类或没有更多的特征可供分裂。通过计算每个属性的增益率,选择增益率最高的属性作为决策树节点的划分属性,从而构建最优的决策树。原创 2024-06-19 21:24:08 · 1862 阅读 · 1 评论 -
[机器学习算法]线性回归
Lasso回归:与岭回归类似,但使用的是模型参数的绝对值之和乘以 α。Lasso 回归不仅可以限制系数的大小,还可以将某些不重要的特征的系数缩小甚至置零,从而实现了自动的特征选择。通过实际的案例和练习来加深对线性回归算法的理解。例如,使用公开数据集进行房价预测,可以通过调整模型参数和处理数据来优化模型。3. 处理异常值和多重共线性:清理数据以及使用技术手段处理数据中的异常值和特征之间的相关性。评估线性回归模型的性能是理解其有效性的关键。这些概念构成了理解线性回归模型的基础。原创 2024-06-18 19:16:03 · 880 阅读 · 0 评论