- 博客(9)
- 收藏
- 关注
原创 机器学习——主成分分析 PCA
如果你想要访问隐藏的特征,而你认为这些特征可能显示在你的数据的图案中,你要做的所有工作可能就是要确定是否存在隐藏的特征,也就是说,你只想知道第一个主成分的大小。降维a.帮你可视化高维数据b. 减少噪声, 较大的主成分表示主要数据,较小的主成分表示可能的噪声,抛弃小的主成分即可消除噪声c.在使用另一个算法之前,先用PCA进行预处理。也就是归纳或分类任务。
2023-12-21 11:00:00
1048
原创 机器学习——支持向量机(svm)
Iris 鸢尾花数据集是一个经典数据集,在统计学习和机器学习领域都经常被用作示例。数据集内包含 3 类共 150 条记录,每类各 50 个数据,每条记录都有 4 项特征:花萼长度、花萼宽度、花瓣长度、花瓣宽度,可以通过这4个特征预测鸢尾花卉属于(iris-setosa, iris-versicolour, iris-virginica)三种中的哪一品种。(1)优点高效的处理高维特征空间:SVM通过将数据映射到高维空间中,可以处理高维特征,并在低维空间中进行计算,从而有效地处理高维数据。
2023-12-18 21:58:17
1113
原创 机器学习——logistic回归
logistic是一种线性分类器,针对的是线性可分问题。利用logistic回归进行分类的主要思想是:根据现有的数据对分类边界线建立回归公式,以此进行分类。这里的“回归”一词源于最佳拟合,表示要找到最佳拟合参数集,因此,logistic训练分类器时的做法就是寻找最佳拟合参数,使用的是最优化方法.例如:在两个类的情况下,函数输出0或1,这个函数就是二值型分类器的sigmoid函数;
2023-12-04 19:40:51
246
原创 机器学习——朴素贝叶斯
朴素贝叶斯算法是典型的有监督学习算法,解决的是分类问题贝叶斯是指贝叶斯学派(Bayesian),它是概率论的一个分支,其研究的是不确定性的量化和推理。具体来说,贝叶斯学派的核心思想是基于贝叶斯公式进行不确定性推断。贝叶斯公式是概率论中的一项基本定理,它描述了在给定某些先验条件下,根据新的观测数据如何更新已有的信念。简单地说,贝叶斯公式可以用来计算在得到新信息后,对事件可能发生的概率进行修正。
2023-11-20 19:41:35
107
1
原创 机器学习——KNN算法
KNN 算法,或者称 k-最近邻算法,是有监督学习中的分类算法。它可以用于分类或回归问题,但它通常用作分类算法。KNN做回归和分类的主要区别在于最后做预测时候的决策方式不同。KNN做分类预测时,一般是选择多数表决法,即训练集里和预测的样本特征最近的K个样本,预测为里面有最多类别数的类别。而KNN做回归时,一般是选择平均法,即最近的K个样本的样本输出的平均值作为回归预测值。1、优缺点优点:1.简单易用,相比其他算法,KNN算是比较简洁明了。2.即使没有很高的数学基础也能搞清楚它的原理。
2023-11-10 23:06:14
287
1
原创 机器学习——模型评估方法
但是在实际中,我们并不知道新样本是什么样的,因此我们把已知的数据集分为训练集和测试集,尽可能的减小模型在测试集上的误差。那么模型 A 的性能比模型 B 的性能好,因为模型 A 当 FPR 较低时所对应的 TPR 比模型 B 的低 FPR 所对应的 TPR 更高。从上述 4 个模型的各种性能可以看出,模型C的精准率和召回率都比较高,因此它的 F1 Score 也比较高。如上面例子,我们的数据是一份非线性数据,如果你想要用线性回归来拟合这份数据,由于数据是非线性的,模型是线性,则过于简单。
2023-10-23 14:10:40
862
原创 机器学习——Vscode和apyTorch下载和安装
解决方法:python版本问题,conda环境未创建成功,进行创建后即可。一、搭建基于PyTorch+OpenCV软件开发平台。3.问题:安装PyTorch出错,一直无法完成。解决方法:重新下载python另外一个版本。(记录安装过程中遇到的问题及解决办法)2. 问题:下载OpenCV运行不得。1.问题:vs安装完成后运行不了。
2023-09-25 22:02:48
92
1
原创 Viscose下载和Vonda环境配置【无标题】
解决方法:python版本问题,conda环境未创建成功,进行创建后即可。一、搭建基于PyTorch+OpenCV软件开发平台。3.问题:安装PyTorch出错,一直无法完成。解决方法:重新下载python另外一个版本。(记录安装过程中遇到的问题及解决办法)2. 问题:下载OpenCV运行不得。1.问题:vs安装完成后运行不了。
2023-09-25 21:48:28
139
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人