- 博客(8)
- 收藏
- 关注
RSS订阅原创 机器学习-主成分分析PCA
优点：降维能力：PCA可以将高维数据降低到较低的维度，从而减少数据的复杂性和存储空间需求。通过保留最重要的特征，可以更好地理解和可视化数据。特征提取：PCA通过线性变换将原始特征转换为新的特征空间，这些新特征称为主成分。主成分是原始特征的线性组合，具有更强的表达能力和更好的区分性能。数据可视化：PCA可以将高维数据映射到二维或三维空间，从而方便可视化和理解数据的结构和分布。缺点：信息损失：降维过程中，为了减少维度，可能会丢失一些数据的细节和信息。
2023-12-31 10:29:58
365
1
原创 机器学习-支持向量机
优点：高效性：SVM在处理小样本数据集时表现出色，因为它只需要使用一部分支持向量来进行决策，而不是使用整个数据集。鲁棒性：SVM对于输入空间中的噪声和异常值具有较好的鲁棒性，这是因为它主要关注支持向量，而不受非支持向量的影响。非线性问题处理：通过使用核函数，SVM可以处理非线性问题，将数据映射到高维特征空间，从而实现线性可分或近似线性可分。泛化能力强：SVM通过最大化间隔来选择决策边界，从而具有较好的泛化能力，能够在未见过的数据上取得较好的预测性能。
2023-12-17 00:00:00
54
1
原创 机器学习-logistic回归
Logistic回归是一种常见的分类方法，Logistic回归模型简单、易于理解和实现，可以处理多分类问题，并且可以很好地处理数据的线性可分性。需要复杂处理才能得到较好的结果，且对于大规模数据集的处理速度较慢。
2023-12-03 00:00:00
31
1
原创 机器学习-朴素贝叶斯
朴素贝叶斯是一种简单而且高效的分类算法，在实验中通常表现出不错的性能。然而，需要注意的是朴素贝叶斯假设特征之间相互独立，这在某些情况下并不成立，因此在应用时需要谨慎选择合适的场景。
2023-11-19 00:00:00
42
1
原创 机器学习-决策树
决策树是一个预测模型，它代表的是对象属性与对象值之间的一种映射关系。树中每个节点表示某个对象，而每个分叉路径则代表某个可能的属性值，而每个叶节点则对应从根节点到该叶节点所经历的路径所表示的对象的值。从数据产生决策树的机器学习技术叫做决策树学习，通俗说就是决策树。
2023-11-06 03:30:00
38
原创 机器学习-模型评估
PR曲线和ROC曲线是评估分类器性能的常用工具，PR曲线的曲线越靠近右上角性能越好，ROC曲线越靠近左上角，表示分类器的性能越好。遇见问题：No module named ‘sklearn‘需要使用conda install scikit-learn安装机器学习库。TN+FP+
2023-10-16 00:15:00
40
1
原创 机器学习-k邻近算法
存在一个样本数据集合，训练样本集，并且样本集中每个数据都存在标签，输入没有样本的新数据后，将新数据的每个特征与样本集中数据对应的特征进行比较，然后算法提取样本集中特征最相似数据的分类标签。
2023-10-07 23:00:00
81
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