- 博客(7)
- 收藏
- 关注
RSS订阅原创 机器学习实验（主成分分析PCA）
PCA（Principal Component Analysis），即主成分分析，是一种用于高维数据降维的统计方法。它通过线性变换将原始的高维数据映射到低维空间，同时保留数据中的主要信息。在降维过程中，PCA通过寻找数据中的主成分（即最能代表数据特征的线性组合）来实现数据的压缩和可视化。本实验用的是鸢尾花数据集。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。
2024-06-18 16:58:56
839
原创 机器学习实验（支持向量机SVM）
支持向量机（Support Vector Machine, SVM）是一种广泛应用的监督学习算法，主要用于数据分类问题。它基于统计学习理论和结构风险最小化原则，通过找到一个决策超平面来最大化不同类别之间的间隔，以此来实现数据分类。
2024-06-11 15:38:43
847
原创 机器学习实验（逻辑回归）
本次实验深入学习了逻辑回归的原理与应用。逻辑回归作为一种强大的分类算法，通过线性模型与Sigmoid函数的结合，有效预测了样本属于某一类别的概率。实验过程中，我们掌握了逻辑回归的基本概念和数学原理，并通过实际数据集进行了模型训练。实验结果表明，逻辑回归在处理二分类问题时表现出色，能够准确捕捉数据中的分类信息。通过本次实验，我们加深了对逻辑回归的理解，并掌握了其在实际问题中的应用方法。...+
2024-05-28 16:59:16
948
1
原创 机器学习实验（朴素贝叶斯）
朴素贝叶斯（Naive Bayes）是一种基于贝叶斯定理与特征条件独立假设的分类方法。它起源于古典数学理论，有着坚实的数学基础，以及稳定的分类效率。朴素贝叶斯算法通过计算给定样本属于某个类别的概率，将样本分配到概率最大的类别中。由于它假设样本的特征之间是相互独立的（即朴素性假设），因此得名“朴素贝叶斯”。学习朴素贝叶斯分类器后，我深感其简洁与高效。通过理解贝叶斯定理和特征独立假设，我认识到它在文本分类中的实用性。实践中，我意识到特征选择对分类性能至关重要。
2024-05-14 16:58:45
716
原创 机器学习实验（决策树）
决策树算法，作为监督学习领域的杰出代表，通过构建决策树模型，实现了对数据的精准分类和回归预测。这种树状结构的模型，其每一个节点都承载了数据的某一特征或属性，而每个分支则映射出一个明确的决策规则。当这些规则交织在一起，最终在树的末端形成叶节点，这些叶节点则清晰地标示出了数据的类别或具体数值。
2024-04-30 16:58:14
748
1
原创 机器学习实验（k-近邻算法+模型评估）
KNN（k-近邻算法）是一种基于实例的学习，或者说基于标签的数据分类方法。这种方法会预测一个新的观察对象的类别，该类别是该对象最接近的已知对象的k个邻居中大多数出现的那一个。即k-近邻算法采用测量不同特征值之间的距离方法进行分类。模型评估(model assessment)是指对于一种具体方法输出的最终模型，使用一些指标和方法来评价它的泛化能力。模型评估一般可以分为回归、分类、聚类的任务，不同任务有不同评价指标。根据想要得到的目标值，可以把模型评估分为分类模型评估和回归模型评估。
2024-04-02 18:32:53
1081
1
原创 机器学习实验一
可以直接从官网下载vscode和Anaconda，也可以通过清华镜像网下载Anaconda（会比在官网下载的快一些）。如图，根据你电脑的系统配置选择合适的安装包。在vscode中试写一个python代码，实验完成。下载完成后，在文件中找到对应安装包安装。然后根据提示输入下图最上面四行命令。
2024-03-11 22:27:50
208
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