![](https://img-blog.csdnimg.cn/20201014180756754.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
机器学习
文章平均质量分 84
carrine
这个作者很懒,什么都没留下…
展开
-
机器学习-支持向量机
机器学习-支持向量机一些概念最大分隔和分类函数间隔和几何间隔最大化间隔拉格朗日乘子法SMO求解从线性不可分到高维可分核函数分类实践 一些概念 SVM,序列最小优化算法 分隔超平面:将数据集分隔开来的超平面(随着维度提升而提升,例如二维时表现为直线) 支持向量:离超平面最近的那些点 分隔超平面的形式y=wTx+by=w^{T}x+by=wTx+b, 这里的w指的是垂直于分割面的法向量 最大分隔和分类 函数间隔和几何间隔 在超平面wTx+b=0w^{T}x+b=0wTx+b=0确定的情况下,∣wTx+b原创 2021-12-21 20:26:14 · 678 阅读 · 0 评论 -
机器学习logistic回归
logistic回归一、最优化算法与回归介绍二、logistic回归的一般过程三、线性回归与对数线性回归线性回归对数线性回归四、最小二乘法五、sigmoid函数六、梯度上升法七、训练算法八、画出决策边界九、随机梯度上升算法及改进改进的随机梯度上升算法十、logistic回归预测病马死亡率总结 一、最优化算法与回归介绍 最优化算法的体现:生活中遇到过很多最优化问题,例如从怎么A走到B耗时最短,如何配比调料才能做出好菜,可见最优化的作用是很大的。 回归:假设现在有一些数据点,我们用一条直线对这些点进行拟合,这原创 2021-11-21 23:34:39 · 490 阅读 · 0 评论 -
机器学习-朴素贝叶斯
机器学习-朴素贝叶斯贝叶斯公式推导朴素贝叶斯的一般过程朴素贝叶斯进行文本分类函数实现测试代码朴素贝叶斯过滤垃圾邮件函数实现测试代码测试结果 贝叶斯公式推导 提到贝叶斯公式,首先需要从条件概率说起,因为它是基于条件概率发展而来的。那么什么是条件概率呢? 举个例子:现有A,B两个事件,A发生的概率为P(A),B发生的概率为P(B),条件概率是指A在B发生的条件下发生的概率,表示为P(A|B),因为这里只有两个事件,因此: P(A∣B)=P(AB)P(B)P(A|B)=\frac{P(AB)}{P(B)}P(A原创 2021-11-15 09:56:50 · 81 阅读 · 0 评论 -
机器学习-决策树
决策树信息增益生成决策树 (ID3算法)实现原理实现代码运行结果信息增益率决策树(C4.5)实现原理实现代码运行结果基尼指数决策树(CART)实现原理实现代码运行结果数据集 信息增益生成决策树 (ID3算法) 实现原理 先计算类标签的香农熵info(D),再计算某个属性的各属性值的香农熵乘以该属性值在其中的比例的和infoA(D),最后相减得出该属性的信息增益,ID3训练出的决策树就是依据信息增益的大小构建的。 实现代码 from math import log import operator imp.原创 2021-10-27 15:59:15 · 4278 阅读 · 0 评论 -
KNN算法进阶
系列文章目录 提示:这里可以添加系列文章的所有文章的目录,目录需要自己手动添加 例如:第一章 Python 机器学习入门之pandas的使用 提示:写完文章后,目录可以自动生成,如何生成可参考右边的帮助文档 文章目录系列文章目录前言一、pandas是什么?二、使用步骤1.引入库2.读入数据总结 前言 提示:这里可以添加本文要记录的大概内容: 例如:随着人工智能的不断发展,机器学习这门技术也越来越重要,很多人都开启了学习机器学习,本文就介绍了机器学习的基础内容。 提示:以下是本篇文章正文内容,下面案例原创 2021-10-10 20:39:46 · 199 阅读 · 0 评论 -
k-近邻算法
K-近邻算法一、K-近邻算法的简介二、测试算法1.爱情片or动作片2.约会配对总结 一、K-近邻算法的简介 工作原理:K-近邻算法财通测量不同特征值之间的距离方法进行分类。 优点:精度高、对异常值不敏感、无数据输入假定。 缺点:计算复杂度高、空间复杂度高。 适用数据范围:数值型和标称型。 二、测试算法 1.爱情片or动作片 主要思路:事先准备数据,即准备打斗镜头和接吻镜头的次数及其所属类型。根据两点间距离公式,计算出该点与其它点的距离,取前k个值,返回前k个点中出现次数最多的类型。 from nump原创 2021-09-16 22:34:44 · 292 阅读 · 0 评论