- 博客(8)
- 收藏
- 关注
RSS订阅原创 机器学习——主成分分析
主成分分析（Principal Component Analysis, PCA）是一种常用的机器学习和统计学方法，用于降低数据集的维度，同时保留数据集中的重要信息。它通过线性变换将数据映射到一个新的坐标系中，使得数据在新坐标系中的每个维度（称为主成分）彼此正交且按照方差递减的顺序排列。
2024-06-18 12:10:40
811
原创 机器学习——支持向量机
支持向量机（Support Vector Machine，SVM）是一种强大的监督式学习算法，常用于分类和回归分析。它在许多机器学习任务中都表现出色，尤其在具有复杂边界和高维特征空间的数据集上效果显著。经常用在二分类等问题当中。SVM 还可以用于回归分析，即支持向量回归（Support Vector Regression，SVR）。与分类不同，SVR 试图找到一个超平面，使得样本点与该超平面的距离尽可能小，同时还要保持尽可能多的样本点在超平面的间隔之内。
2024-06-11 00:01:48
750
1
原创 机器学习——逻辑回归
逻辑回归是一种用于解决二分类问题的统计学习方法。它的基本思想是通过对数据进行逻辑函数（也称为Sigmoid函数）的拟合来进行分类预测。
2024-05-28 23:58:26
831
原创 朴素贝叶斯
朴素贝叶斯算法是一种简单而有效的分类算法，它基于贝叶斯定理进行分类，具有许多优点和适用性，它的算法通常计算效率高，适用于大规模数据集和实时分类任务。虽然朴素贝叶斯算法假设特征之间是条件独立的，这在实际数据中并不总是成立，但在许多情况下，这个简化假设仍然能够产生良好的结果。它的“朴素”之处在于假设所有特征之间都是独立的，即给定类别的情况下，特征之间是条件独立的。条件概率：这是指在给定类别的情况下，每个特征出现的概率。后验概率：根据贝叶斯定理计算得到的，在给定特征向量的情况下，属于每个类别的概率。
2024-05-14 22:52:57
665
2
原创 机器学习——决策树
决策树是一种基本的机器学习算法，用于分类和回归任务。它通过从数据中学习一系列简单的规则来建立模型，这些规则形成了树状结构，其中每个内部节点表示一个特征/属性测试，每个叶节点表示一个类别（在分类问题中）或一个数值（在回归问题中）。由于这种决策分支画成图形很像一棵树的枝干，故称决策树。下图为决策树的基本形状：决策树只有一个根节点，所以要选择“纯度”最高的哪一个特征来作为根节点。
2024-04-29 21:29:39
479
原创 机器学习之模型评估
模型评估是指对训练的机器学习模型进行性能评估和验证的过程。模型评估旨在确定模型的泛化能力，即模型在未见过的数据上的表现。
2024-04-15 19:27:51
1093
1
原创 约会网站实列（k近邻算法）
K近邻（K-Nearest Neighbors, KNN）算法是一种常用的监督学习算法，用于解决分类和回归问题。KNN算法基于数据实例之间的相似性度量来进行预测。其核心思想是：如果一个样本在特征空间中的k个最相似的样本中的大多数属于某一个类别，则该样本也属于这个类别。
2024-04-01 20:04:14
845
原创 Anaconda安装及Python环境配置指南
conda是一个开源的软件包管理系统和环境管理系统，用于安装多个版本的软件包及其依赖关系，并在它们之间轻松切换。Conda 适用于 Linux，OS X 和Windows，也可以打包和分发其他软件。通俗的说，学过Python的小伙伴都知道Python一大优势在于可调用的库非常多，但对于大项目而言安装这些包容易产生冲突，conda是一个很好的虚拟环境管理器，可以给不同项目建立虚拟环境，彼此隔离开。也能打包分发环境等等。
2024-03-18 21:28:25
3291
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