- 博客(8)
- 收藏
- 关注
RSS订阅原创 机器学习----PCA
PCA是Principal Component Analysis（主成分分析）的缩写。它是一种常用的数据降维技术，可以将高维数据降维到低维空间中，同时保留尽可能多的原始数据的信息。PCA的基本思想是：通过线性变换，将原始数据从高维空间投影到低维空间中，并使投影后的数据方差最大。这样可以把数据中的冗余信息去除，得到更紧凑、更容易处理的表示形式。在具体应用中，PCA常常用于数据压缩、特征提取和可视化等领域。PCA还可以用于去噪、异常检测和聚类等任务。
2023-12-31 15:39:50
1310
原创 机器学习：支持向量机（SVM）
支持向量机（Support Vector Machine，SVM）是一种常用的监督学习算法，用于分类和回归任务。SVM的基本原理是构建一个最优超平面来分割不同类别的数据点。在二分类问题中，SVM试图找到一个能够将两个类别的数据点尽可能分开的超平面。超平面是一个d-1维的线性子空间，其中d是数据的特征维度。SVM的目标是找到具有最大间隔（即离超平面最近的样本点的距离最大）的超平面。SVM的核心思想是将数据映射到高维特征空间中，通过引入核函数可以避免直接计算高维特征空间的复杂性。
2023-12-18 21:21:14
360
1
原创 机器学习：Logistic回归
Logistic回归模型通过一个逻辑函数（通常是Sigmoid函数）将自变量的线性组合映射到(0,1)区间内，这个映射值被解释为属于某类的概率。对于二分类问题，模型预测的是样本属于正类（通常标记为1）的概率。
2023-12-04 21:06:42
75
原创 机器学习：朴素贝叶斯
朴素贝叶斯（Naive Bayes）是一种基于贝叶斯定理的机器学习分类算法。该算法基于特征之间条件独立的假设，这意味着它假定给定类别的特征之间是相互独立的。尽管这个假设在实际问题中并不总是成立，但朴素贝叶斯仍然在许多实际应用中表现良好，并且具有快速、简单、高效的特点。在应用朴素贝叶斯进行分类时，算法会首先从训练数据中学习类别与特征之间的关系，然后根据特征的出现概率来预测新样本属于哪个类别。朴素贝叶斯算法在文本分类、垃圾邮件过滤、情感分析等领域得到广泛应用，尤其在大规模数据集上表现优异。
2023-11-20 16:54:13
87
1
原创 机器学习——决策树
决策树是一种机器学习中常用的预测模型，它模拟了人类决策过程的一种方法。它通过使用树状结构来表示一系列的决策规则，以及在每个决策节点上对输入数据进行分支的方式。在决策树中，每个内部节点代表一个特征或属性，用于对输入数据进行划分。而每个叶子节点代表一个输出结果或者决策。从根节点开始，根据输入数据的特征值逐步向下遍历，直到达到叶子节点，得到最终的决策结果。
2023-11-06 21:48:50
135
原创 机器学习基于Python绘制PR曲线和ROC曲线
PR曲线，即Precision-Recall Curve，中文译做精确度-召回率曲线，是一种常用于评估二元分类问题模型表现的工具。精确度（Precision）和召回率（Recall）是评价二元分类问题模型性能的两个相互关联的指标：精确度（Precision）：对于预测结果是正例的样本，实际上也是正例的概率。较高的精确度意味着模型对于预测出的正例有着较高的准确度。召回率（Recall）：对于所有实际上是正例的样本，被模型预测为正例的概率。较高的召回率意味着模型能够找出所有正例的绝大部分。
2023-10-23 20:06:06
511
原创 KNN算法对糖尿病数据分类
K近邻算法（K-Nearest Neighbors，简称KNN）是一种用于分类和回归的统计方法。KNN 可以说是最简单的分类算法之一，同时，它也是最常用的分类算法之一。KNN算法是选择与输入样本在特征空间内最近邻的k个训练样本并根据一定的决策规则，给出输出结果。(5) 返回前k个点出现频率最高的类别作为当前点的预测类别。分类任务：输出结果为k个训练样本中占大多数的类。（1）计算已知类别数据集中的点与当前点之间的距离；回归任务：输出结果为k个训练样本值的平均值。(3) 选取与当前点距离最小的k个点；
2023-10-09 20:39:45
388
2
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