![](https://img-blog.csdnimg.cn/20201014180756926.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
机器学习
勋勋的小本本
这里是勋勋的笔记,不对的欢迎您给出建议
展开
-
各种分类算法的优缺点
**各种分类算法的优缺点**朴素贝叶斯:朴素贝叶斯的优点:对小规模的数据表现很好,适合多分类任务,适合增量式训练。算法比较简单,常用于文本分类。 分类准确度高,速度快。朴素贝叶斯的缺点:对输入数据的表达形式很敏感。由于使用了样本属性独立性的假设,所以如果特征属性有关联时其效果不好。决策树;决策数优点:1)决策树模型可以读性好,具有描述性,有助于人工分析;2)效率高,决策树只需要一次构建,反复使用,每一次预测的最大计算次数不超过决策树的深度。缺点:容易产生过拟合逻辑回归:Logistic回原创 2020-10-14 19:38:48 · 1889 阅读 · 0 评论 -
机器学习之数学基础
1、机器学习的分类2、得分函数如图,经过一系列的计算,最后得到的概率值就叫得分函数。这里的w为权重,而怎么得到权重是我们算法的核心目标。得分函数就是对于给定的一个输入,通过计算,得到这个输入属于每种类别的得分。绝大多数机器学习目标希望得到的模型与算法,实际上就是我们的得分函数。3、损失函数上述说到w权重值,而权重值怎么求,则需要用到损失函数。损失函数的定义是:衡量模型模型预测的好坏。即损失函数就是用来表现预测与实际数据的差距程度。损失函数越小,模型就越好。我们希望的便是找到一个得分函数使得其损失原创 2020-09-08 19:21:00 · 386 阅读 · 0 评论