机器学习
文章平均质量分 96
FHYAAAX
见过花就好了,
又何必在意花属于谁,
花开是有情,花落是无意。
你记得花,花就不会枯萎,
你记得我,我就会一直在。
展开
-
【机器学习】知识总结1(人工智能、机器学习、深度学习、贝叶斯、回归分析)
M-P 神经元模型由神经生理学家沃伦·麦卡洛克(Warren McCulloch)和数学家沃尔特·皮茨(Walter Pitts)于1943年提出。它是最早的数学神经元模型,旨在模拟生物神经元的工作方式,用来处理多输入单输出的信息。模型描述特点应用场景单层感知器最简单的线性分类器,由弗兰克·罗森布拉特提出只能处理线性可分的问题,结构简单,计算量小简单分类任务多层感知器(MLP)在输入层和输出层之间加入了若干隐藏层,增加非线性能力可以处理复杂的非线性问题,通过反向传播进行训练。原创 2024-10-06 23:30:01 · 627 阅读 · 0 评论 -
【机器学习】任务六:分类算法(支持向量机(SVM)在线性可分与不可分数据中的应用与可视化分析)
最佳模型:SVM 在垃圾短信分类任务中表现最好,具有最高的准确率和较高的精确率和召回率。其他模型:朴素贝叶斯和决策树模型的表现也不错,但相较于 SVM,分类的准确度略有不足,尤其是在垃圾短信的识别方面。原创 2024-09-30 23:46:13 · 1653 阅读 · 0 评论 -
【机器学习】任务五:葡萄酒和鸢尾花数据集分类任务
LightGBM最佳参数: {'learning_rate': 0.01, 'n_estimators': 200, 'num_leaves': 31}XGBoost最佳参数: {'learning_rate': 0.01, 'max_depth': 3, 'n_estimators': 200}最佳参数: {'max_depth': None, 'min_samples_split': 2, 'n_estimators': 100}XGBoost分类器 - 准确率: 1.0, F1得分: 1.0。原创 2024-09-18 23:45:06 · 1583 阅读 · 1 评论 -
【机器学习】任务四:使用贝叶斯算法识别葡萄酒类别和使用三种不同的决策树方法(ID3,C4.5,CART)对鸢尾花数据进行分类
定义和训练贝叶斯模型# 在测试集上进行预测# 获取预测概率详细解释:我们定义了一个高斯朴素贝叶斯模型,适用于数值特征呈现高斯分布的数据。fit():这是模型训练的步骤。使用X_train作为输入特征,y_train作为标签来训练贝叶斯分类器。predict():训练完成后,我们使用测试集X_test进行预测,预测结果存储在nb_y_pred中。:输出每个样本属于每个类别的概率。这将用于绘制ROC曲线。# 定义并训练决策树模型# 使用决策树进行预测# 输出模型分类结果的评价指标。原创 2024-09-13 09:00:00 · 1075 阅读 · 0 评论 -
【机器学习】任务三:基于逻辑回归与线性回归的鸢尾花分类与波士顿房价预测分析
回归分析:用于分析特征与目标变量之间的关系,常用于连续变量的预测任务。数据预测:通过机器学习的回归模型,进行模型选择、训练和评估,提升预测效果。特征重要性与模型优化:通过特征选择、正则化、超参数调整和交叉验证,简化模型并提升预测能力。原创 2024-09-05 23:38:35 · 2223 阅读 · 0 评论 -
【机器学习】任务二:波士顿房价的数据与鸢尾花数据分析及可视化
机器学习的项目中都需要大量的数据,这些数据来源于现实生活、scikit-learn库或 Keras 库等,然后对数据进行探索是训练模型的必修课。特征值包括城镇人均犯罪率、住宅用地所占比例、每栋住宅的平均房间数、到达高速公路的便利指数、城镇非零售业的商业用地所占比例等。库中的鸢尾花数据集,显示数据集特征值和标签值的类型、属性和部分数据,并绘制花瓣长度和花瓣宽度与鸢尾花品种的散点图。个标签值,其中特征值分别是花萼长度、花萼宽度、花瓣长度和花瓣宽度,标签值表示鸢尾花的种类,分别是 Setosa。原创 2024-08-31 17:29:42 · 1995 阅读 · 0 评论