维生素¥
这个作者很懒,什么都没留下…
展开
-
机器学习模型之K近邻
KNN算法是一种直观且易于理解的机器学习算法,适用于小型数据集和简单问题的分类和回归任务。原创 2024-04-02 22:31:49 · 596 阅读 · 0 评论 -
机器学习模型之支持向量机
支持向量机是一种强大且灵活的机器学习模型,具有良好的泛化能力和对噪声的鲁棒性。它在处理复杂数据集和高维特征空间时表现出色。原创 2024-04-02 22:24:05 · 1680 阅读 · 0 评论 -
机器学习模型之随即森林
随机森林是一种强大且常用的机器学习模型,具有良好的泛化能力和抗过拟合能力。它适用于各种类型的数据集和问题,并在实际应用中取得了很好的效果。原创 2024-04-01 20:54:10 · 567 阅读 · 0 评论 -
机器学习模型之逻辑回归
逻辑回归模型的优点在于简单易懂、计算效率高、可解释性强。在机器学习中,逻辑回归是一种基础组件,可以用于预测事件发生的概率,也可以用于分析单一因素对某一个事件发生的影响因素原创 2024-03-28 22:24:59 · 1267 阅读 · 0 评论 -
机器学习概念、分类、步骤、和实现
机器学习是一门非常重要的学科,它为计算机提供了从数据中学习规律的能力。通过了解机器学习的概念、分类、步骤和实现方法,我们可以更好地应用机器学习来解决实际问题原创 2024-03-27 20:25:27 · 558 阅读 · 0 评论 -
机器学习之结果评价指标
在机器学习中,结果评价指标是用来评估模型性能和预测结果的重要指标,可以帮助我们了解模型的准确性、稳定性和泛化能力。原创 2024-03-25 20:09:22 · 589 阅读 · 0 评论 -
机器学习模型之XGBoost
XGBoost是一种强大且灵活的机器学习算法,适用于各种机器学习任务。通过使用XGBoost,可以构建高效的模型并取得良好的预测结果。原创 2024-03-25 19:34:33 · 634 阅读 · 0 评论 -
数据预处理之图像重采样
图像重采样是图像处理中不可或缺的一环,它可以帮助我们调整图像大小、改变图像的空间位置、适应不同的应用场景,并在图像处理的各个阶段起到重要作用。原创 2024-03-25 19:22:03 · 1078 阅读 · 0 评论 -
数据预处理之图像归一化
在数据处理和机器学习中,归一化是一种常用的数据预处理方法,目的是将数据转换为统一的尺度或范围,使得不同特征之间具有可比性。原创 2024-03-24 22:32:32 · 911 阅读 · 0 评论 -
机器学习之 K-均值聚类算法
K-均值(K-means)聚类算法是一种常用的无监督学习算法,用于将数据集划分为K个不同的簇。该算法通过迭代的方式将数据点分配到最近的簇中,并更新簇的中心,直到收敛为止。原创 2024-03-23 22:25:50 · 510 阅读 · 0 评论 -
数据预处理之机器学习
数据预处理在机器学习中起着至关重要的作用,它可以帮助提高模型的性能、减少过拟合,并改善模型的训练效果。常见的有灰度离散化;图像归一化均值方差、窗宽窗位、最大最小归一化;最大最小截断。一、灰度离散化灰度离散化是一种常见的图像预处理技术,用于将连续的灰度值范围划分为若干个离散的区间,从而简化图像数据并减少计算复杂度。在灰度离散化过程中,可以使用不同的方法来将灰度值映射到离散的区间中,常见的方法包括bincount和binwidth。原创 2024-03-21 22:53:05 · 616 阅读 · 0 评论 -
数据不均衡处理五:深度学习
在处理数据不均衡问题时,迁移学习、自编码器和半监督学习是一些有效的方法。这些技术可以帮助模型更好地学习数据的分布特征,提高对少数类样本的识别能力,并改善整体的分类性能。原创 2024-03-20 19:55:05 · 695 阅读 · 0 评论 -
数据不均衡处理四:集成学习
集成学习方法在处理数据不均衡问题时通常能取得较好的效果,可以提高模型的泛化能力和对少数类样本的识别能力。原创 2024-03-20 19:43:09 · 478 阅读 · 0 评论 -
数据不均衡处理三:一类分类器
一类分类器是一种用于处理异常检测或离群值检测问题的分类器,它专门针对某个类别进行建模,而不考虑其他类别。一类分类器的目标是将正常样本和异常样本进行区分,通常将正常样本作为主要关注的类别。原创 2024-03-19 21:51:35 · 531 阅读 · 1 评论 -
数据不均衡处理二:使用代价敏感学习方法
代价敏感学习是一种针对数据不均衡问题的机器学习方法,它通过给不同类别的样本赋予不同的代价或权重,以便更好地处理数据不均衡情况。代价敏感学习方法可以在模型训练过程中考虑到不同类别样本的重要性,从而提高模型对少数类样本的识别能力。原创 2024-03-18 20:55:04 · 764 阅读 · 0 评论 -
数据不均衡处理一:数据重采样
数据不均衡是指在数据集中不同类别的样本数量差异较大,这可能会导致模型在训练和预测过程中对少数类样本的识别能力不足。数据重采样是一种常用的处理方法,可以通过增加少数类样本或减少多数类样本来平衡数据集,从而提高模型的性能。原创 2024-03-18 20:26:07 · 2229 阅读 · 1 评论