m0_52043037的博客

   logistic回归虽然名为回归，但实际用于分类问题。  本文将会介绍logistic回归、梯度上升算法以及logistic回归的二分类及多分类问题。  接收输入后能够输出类别。  在二分类中，输出的为0或1。在多分类中，输出的类别就为1，…，n。（多分类可以看作是多个二分类的结合，后文中会介绍）  简要流程如下：      1.回归；      2.求和；      3.Sigmoid。  具体流程为：首先对输入的数据进行回归（即在输入数据的每个特征上都乘一个回归系数），然后将结果相加，将

参考：https://blog.csdn.net/c406495762/article/details/77500679?

为什么要进行剪枝？当我们的数据集样本量很大、每个特征的取值很多时，生成决策树的代价就会很大。不仅如此，虽然一个完整的决策树对训练数据的预测非常准，但这会造成对训练数据的过拟合，造成模型的泛化性能（预测除训练集意外数据的能力）降低。因此，本节我们将引入剪枝的概念。预剪枝其实就是在生成决策树的过程中边生成决策树边剪枝。预剪枝在构建决策树的过程中，计算以下两个精确度：1、如果不划分样本集合此时模型在验证集上的精确度；2、如果划分样本集合此时模型在验证集上的精确度。如果划分后的精确度更高，说明此时。

分类决策树模型是一种描述对实例进行分类的树形结构。决策树由结点和有向边组成。内部结点和叶节点。内部结点表示一个特征或属性，叶节点表示一个类。

本文中的车辆数据集图像于集美大学拍摄。本文中记录了使用KNN算法对车辆图像进行分类的过程。

​ 跑通最简单的手写体识别目录本文中代码来自小白也能懂的手写体识别 - skyme - 博客园 (cnblogs.com),我对代码进行了一点点改动，并添上一些注释以便自己理解。#代码# -*- coding:utf-8 -*-import tensorflow.compat.v1 as tf #使tf2版本可以使用tf1版本的代码tf.disable_v2_behavior()from tensor