对方身上全是泥-CSDN博客

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

ayongshi2019的博客