![](https://img-blog.csdnimg.cn/20201014180756923.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
机器学习
文章平均质量分 73
ZhuNian的学习乐园
大智若愚
展开
-
特征工程 - 你不知道的特征筛选
特征工程 - 特征的筛选和处理原创 2022-09-22 21:57:45 · 1038 阅读 · 0 评论 -
[机器学习] - 集成学习之Adaboost算法原理小结
集成学习模型的思想在机器学习领域越来越得到广泛的应用,在一般的工业界中用很广泛的应用,本章节的内容包括以下四个部分: [2] 集成学习之Adaboost算法原理小结...原创 2021-07-13 00:37:07 · 146 阅读 · 0 评论 -
[机器学习] - 集成学习原理小结
本文介绍:[1] 集成学习原理小结原创 2021-05-25 14:04:01 · 242 阅读 · 0 评论 -
[机器学习] - EM算法与GMM模型
[机器学习] -EM算法与GMM模型1. EM算法数学基础1.1凸函数1.2 Jensen不等式1.3极大似然估计2. EM算法_原理详解2.1前言2.2 EM算法理论2.3 EM算法流程2.4总结3. EM算法高斯混合模型GMM3.1 GMM介绍3.2 GMM原理解析3.3 GMM算法流程4. EM算法高斯混合模型GMM详细代码实现4.1 GMM算法实现5总结原创 2020-07-17 10:21:56 · 515 阅读 · 0 评论 -
[机器学习] - 提升方法AdaBoost
Adaboost是一种集成学习的方法,当采用基于简单模型的单个分类器对样本进行分类的效果不理想时,人们希望能够通过构建并整合多个分类器来提高最终的分类性能。原创 2020-07-01 11:55:20 · 209 阅读 · 0 评论 -
[机器学习] - 支持向量机(五): SVM程序 - Python
支持向量机:[机器学习] - 拉格朗日乘子法与KKT条件.[机器学习] - 支持向量机(一): 硬间隔支持向量机.[机器学习] - 支持向量机(二): 软间隔支持向量机.[机器学习] - 支持向量机(三): 序列最小优化算法(SMO算法).[机器学习] - 支持向量机(四): 核函数.[机器学习] - 支持向量机(五): SVM程序 - Python.本文分成两个部分:(1)手动实现SVM的代码,包括硬间隔、软间隔、非线性支持向量机、SMO算法(2)调用sklearn库中的SVM来实现支原创 2020-07-01 08:06:00 · 537 阅读 · 2 评论 -
[机器学习] - 支持向量机(三): 序列最小优化算法(SMO算法)
SMO算法是支持向量机学习的一种快速算法, 其特点是不断地将原二次规划问题分解为只有两个变量的二次规划子问题,并对子问题进行解析求解,直到所有变量满足KKT条件为止。原创 2020-06-17 14:48:40 · 509 阅读 · 0 评论 -
[机器学习] - 支持向量机(四):核函数
本文介绍SVM的核函数技术,能够顺利的解决非线性的问题。样本在原始空间线性不可分时,可将样本从原始空间映射到一个更高维的特征空间,使得样本在这个特征空间内线性可分。原创 2020-06-16 18:59:00 · 1748 阅读 · 2 评论 -
[机器学习] - 支持向量机(二): 软间隔支持向量机
1.前言2. SVM异常点问题3.线性分类SVM的软间隔最大化4.拉格朗日对偶化5. Hinge损失函数6.总结原创 2020-06-11 15:08:40 · 535 阅读 · 0 评论 -
拉格朗日乘子法与KKT条件
一、凸优化问题1凸集与凸函数2凸优化问题二、拉格朗日乘子法与KKT条件1无约束优化2约束优化定义3等式约束4不等式约束4.1极小值点落在可行域内(不包含边界)4.2极小值点落在可行域外(包含边界)4.3总结.5约束优化总结6优化问题的总结参考资料原创 2020-06-08 17:26:42 · 1125 阅读 · 0 评论 -
[机器学习] - 支持向量机(一): 硬间隔支持向量机
目录:1 Concept (相关概念)2函数间隔及几何间隔3如何间隔最大化4学习算法最大间隔法5学习的对偶算法原创 2020-06-06 22:30:36 · 1070 阅读 · 0 评论 -
[机器学习] - 支持向量机
[机器学习] - 支持向量机(一): 硬间隔支持向量机[机器学习] - 支持向量机(二): 软间隔支持向量机[机器学习] - 支持向量机(三): 非线性支持向量机原创 2020-05-31 11:40:57 · 527 阅读 · 0 评论 -
[机器学习] - 岭回归与Lasso回归
1普通最小二乘法1.1正规方程1.2梯度下降法1.3代码实现2岭回归2.1岭回归原理2.1代码实现3 Lasso回归4案例实战1-车流量预测原创 2020-04-23 00:58:27 · 932 阅读 · 0 评论 -
朴素贝叶斯法 - 垃圾邮件分类
本文基于朴素贝叶斯构建一个分类垃圾邮件的模型,研究对象是英文的垃圾邮件。邮件内容保存在txt文件中,其中正常邮件命名为:pos;垃圾邮件命名为:neg。除此之外还有测试文件test,用来进行朴素贝叶斯模型的测试。在朴素贝叶斯法进行垃圾邮件的分类的思想中:有一个方法与一个假设: 贝叶斯定理:求解p(c|x)的问题变成了求解p(x|c)的问题 特征条件独立假设 :X的n个特征在某类确定的条...原创 2020-04-16 21:44:18 · 2119 阅读 · 0 评论 -
[监督学习] 朴素贝叶斯法
[监督学习] 朴素贝叶斯法1前言2朴素贝叶斯原理2.1贝叶斯定理2.2特征条件独立假设3朴素贝叶斯算法4贝叶斯估计5朴素贝叶斯的优点和缺点6朴素贝叶斯算法实现及案例6.1朴素贝叶斯算法实现6.2朴素贝叶斯垃圾邮件分类6.2朴素贝叶斯sklearn库参考文献原创 2020-04-16 17:10:20 · 868 阅读 · 0 评论 -
[机器学习] 感知机原理(Perceptron)
1.前言2.感知机的原理2.1点到线的距离2.2样本到超平面距离2.2超平面(Hyperplanes)3.感知机模型3.1感知机的损失函数3.2为什么可以不考虑4.感知机学习算法4.1原始形式算法4.2对偶形式算法5.小结原创 2020-04-14 17:24:04 · 1157 阅读 · 0 评论 -
[监督学习] 分类(决策树)
决策树相关学习链接:1决策树模型1.1决策树场景1.2决策树与条件概率分布2决策树的构造2.1信息增益2.2代码计算经验熵2.3代码计算信息增益3决策树的生成与修剪3.1 ID3算法3.2 C4.5生成算法3.3决策树的修剪4测试案例1:决策树预测隐形眼镜类型一:导入skleam库二:决策树的使用三:预测类型5测试案例2:尾花數据集分类原创 2020-04-11 11:47:36 · 2120 阅读 · 2 评论 -
[监督学习] 分类(K近邻算法)
监督学习框架:思维导图-python.KNN算法运用 一:KNN算法的概述 二:KNN算法的过程 三:关于距离的计算 四:关于K值的选取Python 实现过程 一:案例一测试 二:案例二测试 三:交叉验证确定最佳-K值原创 2020-04-08 17:31:44 · 5107 阅读 · 0 评论 -
[机器学习] : 监督学习 (框架)
思维导图-监督学习1. 分类 1.1 分类学习 1.2 分类学习-评价 1.3 分类学习-评价标准 1.4 Sklearn Vs 分类 1.5 分类算法的应用2. 回归分析 2.1 Sklearn vs 回归 2.2 回归应用原创 2020-04-07 22:43:21 · 1886 阅读 · 0 评论 -
[无监督学习] PCA降维
主成分分析( PCA )必主成分分析( Principal Component Analysis, PCA )是最常用的一种降维方法,通常用于高维数据集的探索与可视化,还可以用作数据压缩和预处理等。心PCA可以把具有相关性的高维变量合成为线性无关的低维变量,称为主成分。主成分能够尽可能保留原始数据的信息。主成分分析在介绍PCA的原理之前需要回顾涉及到的相关术语;心方差心协方差...原创 2020-04-06 15:26:02 · 2957 阅读 · 0 评论 -
基于聚类的“图像分割”案例——K-means聚类算法
图像分割:利用图像的灰度、颜色、纹理、形状等特征,把图像分成若干个互不重叠的区域,并使这些特征在同一区域内呈现相似性,在不同的区域之间存在明显的差异性。然后就可以将分割的图像中具有独特性质的区域提取出来用于不同的研究。1. 实例应用1.1. 在机车检验领域,可以应用到轮毂裂纹图像的分割,及时发现裂纹,保证行车安全。1.2. 在生物医学工程方面,对肝脏CT图像进行分割,为临床治疗和病理学研究提...原创 2020-04-05 20:35:15 · 10161 阅读 · 12 评论 -
[无监督学习] K-Means聚类
无监督学习之K-Means聚类无监督学习:通过无标签的数据,学习数据的分布或数据与数据之间的关系。1.聚类算法1 定义:根据数据的“相似性”将数据分为多类的过程。1.1. 算法模块 :K-Means、近邻传播算法、DBSCAN算法,高斯混合模型(GMM)等。1.2. Python库 :sklearn.cluster;1.3. 算法步骤 :(1) 首先我们选择一组数据,并随机初始化它们...原创 2020-04-05 18:15:34 · 508 阅读 · 0 评论