![](https://img-blog.csdnimg.cn/20201014180756928.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
分类算法
文章平均质量分 82
fre0sty
这个作者很懒,什么都没留下…
展开
-
机器学习入门算法及其java实现-EM(Expectation Maxium)算法
EM算法原创 2017-10-18 15:54:26 · 1123 阅读 · 0 评论 -
机器学习入门算法及其java实现-ID3(决策树)算法
\quad\quadID3决策树也是决策树的一种,其作用在于根据已有数据训练决策树,并通过决策树的分支实现对新数据的分类,是一种有监督的学习。 \quad\quad在生成决策树的过程中,ID3使用的信息熵增益对子节点类别进行确定。根据信息熵越是有序的数据熵值越低,信息熵增益越大表示当前属性对于数据的分类结果越好。 信息熵计算公式:Info=−∑i=1nP(xi)∗log2P(xi)Info=-\原创 2017-10-18 13:08:39 · 575 阅读 · 0 评论 -
机器学习入门算法及其java实现-KNN算法
1、算法基本原理:对于一个新点X0(x0,y0)X_{0}(x_{0},y_{0}),它的分类y0y_{0}由离它最近的k个点的类别决定;其中训练集为T{(x1,y1),(x2,y2),...,(xn,yn)}T\{(x_{1},y_{1}),(x_{2},y_{2}),...,(x_{n},y_{n})\},离X0(x0,y0)X_{0}(x_{0},y_{0})最近的K个点根据分类决策规则(原创 2017-10-17 21:23:48 · 2458 阅读 · 2 评论 -
机器学习入门算法及其java实现-朴素贝叶斯
\quad\quad贝叶斯决策论是在所有相关概率都已知的理想情形下,基于这些概率和误判损失来选择最优的类别标记。 \quad\quad假设有N中可能的类别标记,即y={c1,c2,...,cN}y=\{c_{1},c_{2},...,c_{N}\} ,λij\lambda_{ij}是将一个真实标记为cjc_{j}的样本误分类为cic_{i} 的样本误分类为所产生的损失。基于后验概率p(ci|x)p原创 2017-10-17 20:28:49 · 2036 阅读 · 2 评论 -
机器学习入门算法及其java实现-adaboost算法
算法原理:算法基本原理:\quad\quad就一个训练样本集,求比较粗糙的分类规则(弱分类器)要比求精确的分类规则(强分类器)要容易的多,提升方法就是从弱学习算法出发,反复学习,得到一系列弱分类器(又称为基本分类器),然后组合这些弱分类器,构成一个强分类器。 \quad\quadAdaBoost采取加权多数表决的方法,具体地,加大分类误差率小的弱分类器的权值,使其在表决中其较大的作用,减小误差率大原创 2017-10-18 16:50:09 · 1198 阅读 · 0 评论