机器学习基础
文章平均质量分 95
litchi&&mango
这个作者很懒,什么都没留下…
展开
-
机器学习基础之决策树
决策树是一种基本的分类与回归方法一、决策树的基本概念决策树的结点和有向边分别表示:内部结点表示一个特征或者属性叶子结点表示一个分类。有向边代表了一个划分规则决策树从根结点到子结点的的有向边代表了一条路径决策树的路径是互斥并且是完备的(不重不漏)用决策树分类时,是对样本的某个特征进行测试,根据测试结果将样本分配如果将样本分配到了树的子结点上,每个子结点对应该特征的一个取值决策树的优点:可读性强,分类速度快决策树遵循分而治之的思想,可认为是if-else-then原创 2021-08-29 11:52:25 · 466 阅读 · 0 评论 -
贝叶斯决策论及朴素贝叶斯分类器
文章目录一、贝叶斯决策论(Bayesian decision theory)1.概率和统计2.概率函数和似然函数3.贝叶斯公式一、贝叶斯决策论(Bayesian decision theory)1.概率和统计(1)概率(probability):已知一个模型和对应参数,预测该模型产生的结果及特性(如均值,方差,协方差等),即数据;(2)统计(statistics):根据已有数据预测出模型及对应参数;可知概率和统计要研究的目的是相反的;2.概率函数和似然函数对于函数P(x∣θ)P\left( x原创 2021-08-05 11:07:17 · 485 阅读 · 0 评论 -
机器学习基础之聚类
文章目录一、简介二、聚类算法-K-means一、简介我们之前讨论的线性回归和分类都是机器学习中的有监督学习的内容,即给定输入以及对应的标签来训练我们的模型,可以理解为我们知道我们种的是什么种子,也知道我们将收获到什么瓜;而无监督学习则明显区别与有监督学习,即只有输入,我们并不知道数据的标签是什么,可以理解为我们知道我们种的是什么种子,但是我们不知道我们将收获怎样的果实;我们的目标是通过对大量数据进行学习,来发掘出数据内部的规律和性质,即让机器自己去总结规律而不需要我们人去指导或者提供信息,这样可想而知难原创 2021-08-05 10:50:17 · 372 阅读 · 0 评论 -
机器学习基础之分类
文章目录sigmoid函数将任意值映射到0~1def sigmoid(z): return 1/(1 + np.exp(-z))sklearn中的SGDRegression模块实现分类的SGD:from sklearn.linear_model import SGDClassifierimport numpy as npfile1 = "classification_train.txt"file2 = "classification_test.txt"datax = np.loa原创 2021-04-08 13:58:08 · 406 阅读 · 0 评论 -
机器学习基础之线性回归
文章目录一、线性回归一、线性回归给定数据集D=(x1,y1),(x2,y2),⋅⋅⋅,(xm,ym)D={(x1,y1),(x2,y2),···,(xm,ym)}D=(x1,y1),(x2,y2),⋅⋅⋅,(xm,ym) ,我们尝试建立一个模型,使得对任一xi,都能求出与之对应的yi出来,而形象点,就是用一条直线去拟合这些样本点,由于拟合的模型是线性的,所以叫做线性回归;在得到了线性回归的模型后,我们可以根据x预测出对应的y;由于是线性模型,所以我们可以用f(xi)=wxi+bf(xi)=wxi+bf原创 2021-03-22 19:06:42 · 668 阅读 · 1 评论