- 博客(5)
- 收藏
- 关注
RSS订阅原创 朴素贝叶斯算法解决西瓜分类问题
已知独立事件A和B，在事件 B 发生的情况下，事件 A 发生的概率P(A|B)为已知独立事件A和B，在事件 A 发生的情况下，事件 B 发生的概率P(B|A)为P(A)是事件 A 发生的先验概率。P(B) 是事件 B 发生的先验概率。对P(AB)进行等量代换就可以得出1、计算先验概率：计算每个类别的先验概率 P(X)，即类别 X在训练数据中出现的频率。2、计算似然概率：对于每个特征 Y，计算在类别 X下该特征出现的概率 (P(Y| X)。3、计算后验概率。
2024-05-14 16:23:59
1044
1
原创 基于ID3算法解决决策树问题
具体方法是：从根结点(root node)开始，对结点计算所有可能的特征的信息增益，选择信息增益最大的特征作为结点的特征，由该特征的不同取值建立子节点；在机器学习中，决策树是一种预测模型，代表的是一种对象属性与对象值之间的一种映射关系，每一个节点代表某个对象，树中的每一个分叉路径代表某个可能的属性值，而每一个叶子节点则对应从根节点到该叶子节点所经历的路径所表示的对象的值。决策树仅有单一输出，如果有多个输出，可以分别建立独立的决策树以处理不同的输出。特征的信息增益越大，表明该特征对分类的贡献程度越高。
2024-04-30 14:04:58
546
1
原创 机器学习的模型评估
一、模型评估的重要性机器学习模型评估是机器学习领域中的一个重要研究方向，其研究背景在于随着大数据时代的到来，人们面临着越来越多的数据分析和处理任务，而机器学习作为一种高效的数据处理技术，在很多领域都得到了广泛应用。然而，机器学习模型的效果评估是机器学习应用过程中一个非常关键的问题，因此机器学习模型评估的研究具有非常重要的意义。二、模型评估的意义三、评价模型评估的标准。
2024-04-16 13:54:10
527
原创 KNN算法的Python实现
K近邻算法（K-Nearest Neighbors，KNN）是一种基本的机器学习算法，也是一种分类和回归方法。它的原理很简单，即根据特征相似度来进行分类或回归预测。K近邻（K-Nearest Neighbor, KNN）是一种最经典和最简单的有监督学习方法之一。在KNN算法中，首先需要给定一个训练集，其中包含了已知分类标签的样本数据。然后，通过计算待预测样本与训练集中各个样本的特征距离，选择与待预测样本最相似的K个训练样本（即K个最近邻）
2024-04-02 16:20:19
604
1
原创 Anaconda的安装及其Path环境变量的配置
Anaconda是学习机器学习的一个强大的开源数据科学平台。在Anaconda的安装前，最好将电脑中的Python及其环境变量删除（很简单，只需使用电脑的强力卸载就可以将软件、安装包和环境变量删除即可开始安装Anaconda）。
2024-03-07 22:11:33
919
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