![](https://img-blog.csdnimg.cn/20201014180756926.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
机器学习
文章平均质量分 92
llovew.
这个作者很懒,什么都没留下…
展开
-
机器学习核心算法
决策树算法是一种基于树形结构的分类学习方法。它通过对数据集进行递归地划分,构建一颗由多个判断节点组成的树。每个内部节点表示一个属性上的判断,每个分支代表一个判断结果的输出,最后每个叶节点代表一种分类结果。决策树算法的概述如下:1. 选择最佳划分属性:根据某个评价指标(如信息增益、基尼指数等),选择最佳的属性作为当前节点的划分属性。2. 划分数据集:根据划分属性的取值,将数据集划分为多个子集,每个子集对应一个分支。原创 2024-01-24 20:07:53 · 1044 阅读 · 0 评论 -
模型评估方法
目录数据集切分交叉验证交叉验证实例混淆矩阵实例代码实现阈值全局阈值处理自适应阈值处理阈值对结果的影响ROC曲线数据集切分数据集切分是指将一个数据集分割成训练集和测试集的过程。常用的方法是随机切分,即将数据集中的样本按照一定比例分配到训练集和测试集中。切分数据集的目的是为了评估模型在未见过的数据上的性能,以便更好地了解模型的泛化能力。在Python中,可以使用train_test_split函数来进行数据集切分。该函数位于sklearn.model_se原创 2023-12-22 10:26:03 · 929 阅读 · 0 评论 -
机器学习--线性回归
它是训练模型时所需要最小化或最大化的目标函数,通过调整模型参数,使得损失函数的值达到最小或最大,在模型预测结果与实际结果之间找到最优的拟合程度。通过使用正弦函数特征,可以对数据进行平滑处理,从而减少噪声的影响并提取出数据中的主要趋势。3. 对数损失(Logarithmic Loss,或称为逻辑损失,Log Loss):常用于二分类问题的损失函数,衡量模型输出的概率与实际标签之间的负对数似然。总而言之,使用正弦函数特征可以帮助提取数据中的周期性模式和趋势,并减少噪声的影响,从而改善数据的可分析性和预测能力。原创 2023-12-20 20:45:56 · 1300 阅读 · 0 评论 -
Numpy、Pandas常用函数
Numpy、Pandas常用函数详细汇总原创 2023-12-18 16:57:17 · 1058 阅读 · 1 评论 -
聚类分析实例
层次聚类(Hierarchical Clustering)是一种无监督学习的聚类分析方法,用于将数据集中的样本或观测值划分为不同的群集或簇。它通过计算样本之间的相似性或距离来进行聚类,并且可以根据相似性的程度来构建层次结构。通过计算不同类别数据点间的相似度来创建一棵有层次的嵌套聚类树。在聚类树中,不同类别的原始数据点是树的最低层,树的顶层是一个聚类的根节点。创建聚类树有自下而上合并和自上而下分裂两种方法。论数据集应该聚类成多少个簇,通常是在讨论我们在什么尺度上关注这个数据集。原创 2023-12-14 18:13:04 · 2263 阅读 · 1 评论 -
方差分析实例
方差分析的基本思想是将总体方差(反映了所有样本的变异程度)分解为组间方差(反映了不同样本均值之间的差异)和组内方差(反映了相同样本内观测值的变异)。如果组间方差远大于组内方差,说明各样本均值之间差异显著;反之,差异不显著。方差分析步骤 建立假设:首先,我们需要提出一个原假设和备择假设。原假设通常假设所有样本的均值相等,备择假设则假设至少有一组样本的均值不相等。 计算方差:通过使用样本数据,计算每个样本的平均值和总体平均值,并计算组间方差和组内方差。 计算统计量:计算统计量F值,原创 2023-12-13 09:27:05 · 1438 阅读 · 1 评论 -
相关分析实例
唐宇迪老师系列课程学习笔记原创 2023-12-12 17:43:31 · 960 阅读 · 0 评论 -
假设检验实例
什么是假设:对总体参数(均值,比例等)的具体数值所作的陈述。比如,我认为新的配方的药效要比原来的更好。什么是假设检验:先对总体的参数提出某种假设,然后利用样本的信息判断假设是否成立的过程。比如,上面的假设我是要接受还是拒绝呢。原创 2023-12-12 13:15:09 · 1368 阅读 · 0 评论 -
回归分析实例
相关分析是研究两个或两个以上的变量之间相关程度及大小的一种统计方法回归分析是寻找存在相关关系的变量间的数学表达式,并进行统计推断的一种统计方法在对回归分析进行分类时,主要有两种分类方式:根据变量的数目,可以分类一元回归、多元回归根据自变量与因变量的表现形式,分为线性与非线性所以,回归分析包括四个方向:一元线性回归分析、多元线性回归分析、一元非线性回归分析、多元非线性回归分析。因变量(dependent variable):被预测或被解释的变量,用y表示。原创 2023-12-10 21:58:22 · 895 阅读 · 0 评论 -
熵与激活函数
可以将熵看作数据中所包含的信息量,当熵最大时,数据中的每个元素都是等概率出现的,难以从中获得有用的信息;如果硬币是公平的,即正面和反面的概率均为0.5,那么熵最大,因为我们无法确定硬币会落在哪一面,信息量最大。另一方面,如果硬币是偏向正面的,例如正面的概率为0.9,那么熵较小,因为我们可以预期硬币更有可能落在正面。激活函数是机器学习和深度学习中的一种非线性函数,它被应用于神经网络的隐藏层或输出层,用于引入非线性变换和增加网络的表达能力。相反,如果数据的可能取值越少,即数据的分布越集中,熵就越小。原创 2023-12-08 10:22:03 · 676 阅读 · 0 评论 -
核函数变换
核函数变换(Kernel Function Transformation)是在机器学习中常用的一种技术,用于将输入数据映射到一个更高维度的特征空间中。这种技术使得原本线性不可分的数据在特征空间中变得线性可分,从而提高了分类或回归任务的性能。在核函数变换中,我们使用一个核函数(kernel function)来计算原始数据点与特征空间中的参考点之间的相似性。常用的核函数包括线性核函数、多项式核函数、高斯核函数等。原创 2023-12-08 09:15:53 · 1037 阅读 · 0 评论 -
数据科学必备分布
正态分布随机变量的赋范概率密度函数(pdf)和累积密度函数(cdf)# IMPORTS# PDF 概率密度alpha=.15,# CDF 累计概率密度# LEGEND# TICKS# TITLE。原创 2023-12-07 21:24:18 · 922 阅读 · 0 评论 -
特征值与特征向量
对于给定矩阵A,寻找一个常数λ和非零向量x,使得向量x被矩阵A作用后,所得的向量Ax与原向量x平行,并且满足Ax=λx。原创 2023-12-06 07:56:15 · 1166 阅读 · 1 评论 -
手写数字识别应用
使用简单的CNN模型完成mnist手写数字识别,使用Django框架搭建网络服务的代码示例,其中包括上传图片按钮、图片展示和开始识别按钮的功能。通过上传数字图片完成数字识别。原创 2023-07-10 09:59:30 · 174 阅读 · 1 评论 -
实现mnist手写数字识别
卷积神经网络(CNN)实现MNIST手写数字识别原创 2023-07-10 09:42:16 · 1377 阅读 · 1 评论