![](https://img-blog.csdnimg.cn/20201014180756922.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
机器学习实战
cx_mors
这个作者很懒,什么都没留下…
展开
-
机器学习实战读书笔记(一):K近邻算法
from numpy import *import operatordef createDataSet(): # 创建数据集 group = array([[1.0,1.1],[1.0,1.1],[0,0],[0,0.1]]) labels = ['A','A','B','B'] return group,labelsdef classify0(inX,da...原创 2018-11-13 14:40:05 · 192 阅读 · 0 评论 -
机器学习实战读书笔记(二):决策树
决策树多用于处理分类问题,也经常使用的数据挖掘算法k-近邻算法最大的缺点是无法给出数据内在含义 决策树的主要优势是数据形式很容易理解决策树的一个最重要任务是为了数据所蕴含的知识信息,因此决策树可以使用不熟悉的数据集合 并从中提取出一系列规则,创建规则的过程就是机器学习的过程决策树优点:计算复杂度不高,输出结果易于理解,对中间值缺少不敏感,可以处理不相关特征数据决策树缺点:可能会产生过度匹...原创 2018-11-13 14:51:01 · 229 阅读 · 0 评论 -
机器学习实战读书笔记(三):Logistic回归
logistic回归是个最优化算法用一条直线对这些直线进行拟合(该线称为:最佳拟合直线)该拟合过程称为回归,即找到最佳拟合参数主要思想:根据现有数据对分类边界线建立回归公式,一次进行分类优点:计算代价不高,易于理解和实现缺点:容易欠拟合,分类精度可能不高适合数据类型:数据型和标称型数据Sigmoid函数作为 σ(z) = 1/(1+e^-z) 阶跃函数 为实现logistic回归分类...原创 2018-11-13 15:02:01 · 161 阅读 · 0 评论 -
机器学习实战读书笔记(四):朴素贝叶斯算法
朴素贝叶斯优点: 在数据较少的情况下仍然有效 可以处理多类别问题缺点:对输入的数据的准备方式较为敏感适用数据类型:标称型数据p1(x,y)>p2(x,y) 那么类别是1p2(x,y)>p1(x,y) 那么类别是2贝叶斯决策的核心是选择具有最高概率的决策朴素贝叶斯分类器通常有两种方式 : 伯努利模型 和 多项式模型这里采用伯努利实现方式 该实现不考虑词在文档中出现的次数...原创 2018-11-13 15:07:41 · 173 阅读 · 0 评论