- 博客(8)
- 收藏
- 关注
原创 PCA降维算法
PCA(主成分分析)的优点包括:降维效果显著:PCA能够有效减少数据集的维度,使得数据更易于可视化和处理,同时降低计算复杂度和存储需求。去除冗余信息:通过识别数据中的主要变化方向,PCA能够剔除高度相关的特征,减少数据中的冗余信息。噪声抑制:在降维过程中,PCA倾向于突出数据的主要变化趋势,从而能够在一定程度上减弱噪声的影响。特征正交:得到的主成分彼此正交,这意味着它们之间没有冗余信息,便于独立分析各主成分的重要性。
2024-06-16 21:25:34
1705
原创 SVM支持向量机
支持向量机(SVM)作为一种流行的机器学习算法,在解决分类和回归问题上展现出独特的优势,同时也存在一些局限性。下面是其主要的优缺点概述:优点:处理高维数据能力强:SVM能够有效处理具有大量特征的数据集,即便特征数远超样本数时仍能保持良好的性能。泛化能力强:通过最大化间隔,SVM旨在最小化结构风险,从而在新数据上的预测表现稳定,减少过拟合现象。核技巧:通过使用核函数,SVM能够将非线性可分的数据转换到高维空间中变得线性可分,无需显式地计算高维映射,大大简化了处理过程。缺点。
2024-06-10 23:06:04
529
原创 逻辑回归算法
逻辑回归在此场景中的意义在于,它能够分析和理解特征与目标变量之间的关系,从而建立一个预测模型,用于根据输入特征预测目标变量的类别。在这个例子中,模型可能用于预测某种条件下的结果,例如疾病诊断、市场趋势预测等。
2024-05-28 21:57:12
531
原创 朴素贝叶斯
朴素贝叶斯分类器有以下优点和缺点:优点:数学基础稳固:朴素贝叶斯算法基于概率论中的贝叶斯定理,有坚实的数学理论基础。计算高效:由于假设特征之间相互独立,计算每个特征对类别影响的乘积比计算复杂的联合概率要简单得多,这使得朴素贝叶斯在大数据集上运行速度快。模型简单:朴素贝叶斯模型结构简单,易于理解和实现。缺点:朴素假设:它假定特征之间是独立的,这个假设在许多真实世界的数据集中往往不成立,导致模型的准确性受到影响。
2024-05-13 21:41:43
1079
原创 机器学习决策树:原理与应用
决策树易于理解和解释,但可能会因为选择的特征和树的结构导致过拟合或欠拟合。现代的决策树算法,如ID3、C4.5、CART和随机森林,都包含优化策略来提高性能和稳定性。
2024-04-29 23:51:52
362
原创 分类模型评估
分类模型评估旨在客观地衡量模型在特定任务上的性能,以便了解其在新数据上的预测能力。优点:量化性能:评估方法提供了定量指标,指导模型选择与优化:通过评估结果,可以确定哪个模型或哪种参数组合在特定任务上表现最优,为模型选择和参数调整提供依据。洞察模型弱点:某些评估指标(如混淆矩阵、ROC曲线)能揭示模型在处理特定类别或阈值设定上的弱点,帮助针对性地改进模型或调整策略。缺点:依赖于评估指标的选择:不同评估指标侧重于模型性能的不同方面,选择不当可能导致对模型能力的误解。
2024-04-15 23:47:23
1709
原创 K-近邻算法(KNN)
KNN算法的优点:1.理论简单:KNN算法原理直观易懂,无需构建复杂的数学模型,只需存储训练数据即可。2.对异常值不敏感:由于直接比较临近样本,因此对离群点的敏感度相对较低。3.无须做特征选择:KNN不需要对数据进行特殊预处理,也不需要事先了解数据分布,适用于非线性分类问题。KNN算法的缺点:1.计算复杂度高:随着样本数量增加,计算所有样本的距离以及排序操作的时间成本会迅速增大,尤其在大型数据集上效率较低。
2024-03-31 18:27:41
348
原创 机器学习实验课作业一
打开命令行窗口检测是否安装成功(以下是安装成功后会出现的信息)1.搜索清华园镜像网站,下载最新版Anaconda。建议勾选第一个,可以自动完成环境变量的配置。5.添加Python解释器,创建虚拟环境。自定义安装路径,最好不要安装在C盘。2.选择下载路径并下载文件。3.安装Anaconda。
2024-03-11 23:07:36
337
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人