机器学习
文章平均质量分 91
蒟蒻在机器学习过程中的基础知识以及算法的整理总结
wickked
这个作者很懒,什么都没留下…
展开
-
神经网络基础概念理解
神经网络基础概念的理解原创 2022-07-15 17:53:12 · 378 阅读 · 0 评论 -
小白の决策树学习及代码实现
决策树の学习一.概述什么是决策树?二.决策树の准备阶段!2.1特征の选择2.1.1 香农熵以及其相应的python函数实现2.1.2信息增益2.2数据集最佳切分函数2.3 切分函数三.用递归法构建决策树3.1 ID3算法3.2 代码实现:四.使用决策树进行分类一.概述决策树(Decision Tree)是有监督学习中的一种算法,并且是一种基本的分类与回归的方法。也就是说,决策树有 两种:分类树和回归树。这里先学了分类树,回归树挖个坑,以后学了再更新。什么是决策树?我们先来看一看大佬们举的栗子!在原创 2020-11-29 17:48:04 · 275 阅读 · 0 评论 -
小白のKNN算法理解及代码实现
KNN算法一.概述二.代码实现2.1 准备数据2.2数据可视化2.3数据归一化2.4 划分训练集和测试集2.5 KNN分类器的实现三.总结一.概述k-近邻算法(k-Nearest Neighbour algorithm),又称为KNN算法,是数据挖掘技术中原理最简单的算法。KNN的工作原理:给定一个已知标签类别的训练数据集,输入没有标签的新数据后,在训练数据集中找到与新数据最邻近的k个实例,如果这k个实例的多数属于某个类别,那么新数据就属于这个类别。可以简单理解为:由那些离X最 近的k个点来投票决定X原创 2020-11-29 16:41:14 · 807 阅读 · 0 评论 -
Apriori算法の学习 附代码实现
Apriori算法一.聚类分析概述1.关联分析概述2.频繁项集的评估标准2.1 支持度2.2 置信度2.3 提升度3.关联规则的发现二.Apriori算法原理三.使用Apriori算法发现频繁项集1.生成候选项集2.组织完整的Apriori算法四.挖掘关联规则一.聚类分析概述1.关联分析概述2.频繁项集的评估标准2.1 支持度2.2 置信度2.3 提升度3.关联规则的发现二.Apriori算法原理三.使用Apriori算法发现频繁项集1.生成候选项集2.组织完整的Apriori算法四原创 2020-11-22 22:59:24 · 2718 阅读 · 0 评论 -
最具体的K-均值聚类算法及实现!小白也能懂!
k-均值聚类算法一.聚类分析概述1.簇的定义2.常用的聚类算法二.K-均值聚类算法1.k-均值算法的python实现1.1 导入数据集一.聚类分析概述聚类分析是无监督类机器学习算法中常用的一类,其目的是将数据划分成有意义或有用的组(也被称为簇)。组内的对象相互之间是相似的(相关的),而不同组中的对象是不同的(不相关的)。组内的相似性 (同质性)越 大,组间差别越大,聚类就越好。1.簇的定义簇就是分类结果中的类,其没有确切的定义,也没有客观的标准,我们可以利用这个我网上找来的图来理解一下什么是簇原创 2020-11-22 17:00:30 · 3672 阅读 · 5 评论