- 博客(7)
- 收藏
- 关注
RSS订阅原创 机器学习----聚类Kmeans算法 从零到一：全面掌握（小白，附代码）
本文全面介绍了K-means聚类算法，包括其基本概念、核心思想、算法流程以及聚类评估方法。K-means是一种无监督学习算法，通过计算样本之间的相似性，将数据划分为若干组（簇），以发现数据的内在结构和模式。文章详细讲解了如何确定聚类数K，包括“肘方法”、轮廓系数和CH指数等评估指标。通过泰坦尼克号客户数据聚类分析的案例，展示了从数据预处理到模型训练、评估和结果可视化的完整过程。通过这些内容，读者可以全面掌握K-means算法的原理和实践应用。
2025-06-07 08:41:41
960
原创 机器学习----集成学习：Bagging、Boosting的原理与应用（小白，附代码）
本文系统地介绍了集成学习的核心思想、分类及应用场景，并深入讲解了随机森林、Adaboost、GBDT和XGBoost等主流算法的原理、构建过程及代码实现。文章还对比了Bagging和Boosting的异同，提供了详细的代码示例和超参数调优方法，旨在帮助读者全面掌握集成学习技术，解决实际问题。最后，特别深入解析了XGBoost算法的安装、使用及调优技巧，并通过实际案例演示了其高效性和准确性。
2025-06-06 20:44:08
1067
原创 机器学习----决策树：一文读懂决策树、构建高效模型（小白进，附代码）
本文全面介绍了决策树的基本概念、构建步骤及其三种主要类型：ID3、C4.5和CART。ID3使用信息熵和信息增益进行特征选择，但容易过拟合；C4.5通过信息增益率解决了这一问题；CART则使用基尼指数或均方误差，支持分类和回归任务。文章还详细讲解了决策树剪枝技术，包括预剪枝和后剪枝的方法及其优缺点。最后，通过泰坦尼克号生存预测案例，展示了决策树在实际问题中的应用，包括数据预处理、模型训练、评估和可视化。通过这些内容，读者可以全面掌握决策树算法的原理和实践。
2025-06-04 16:49:53
1032
原创 机器学习----逻辑回归：从数学原理到实战评估(小白，附代码)
本文全面介绍了逻辑回归的基础知识、核心原理及其在分类问题中的应用。逻辑回归通过Sigmoid函数将线性回归的输出映射到(0,1)区间，实现二分类预测。文章深入剖析了Sigmoid函数的作用、决策边界的设定、极大似然估计方法以及交叉熵损失函数的优化过程。通过Scikit-learn实战，展示了从数据预处理到模型评估的完整流程，并通过电信客户流失预测案例，详细说明了如何处理实际数据、训练模型和评估性能。文章还介绍了混淆矩阵、精确率、召回率、F1分数和AUC值等分类评估指标，为读者提供了实用的参考。
2025-06-04 10:38:07
1036
原创 机器学习----线性回归 代码实战细细细 （下）
本文主要介绍了线性回归模型的评估指标及其实现方法，包括平均绝对误差（MAE）、均方误差（MSE）、均方根误差（RMSE）以及模型的拟合、欠拟合与过拟合问题。通过详细的概念、公式、优缺点分析和适用场景，读者可以全面了解如何评估线性回归模型的性能。文章还提供了线性回归模型的实现步骤和代码示例，从数据加载、预处理、模型训练到预测和评估，帮助读者掌握实际操作。此外，深入探讨了欠拟合和过拟合的产生原因及解决办法，并通过代码演示展示了如何应对这些问题。最后介绍了 L1 和 L2 正则化方法及其适用场景，帮助读者在实际应
2025-05-28 14:36:02
602
原创 机器学习----线性回归 细且易懂哦（上）
线性回归是用于建模自变量与因变量关系的回归分析方法，可分为一元和多元回归。通过最小二乘法等损失函数衡量预测误差，采用梯度下降或正规方程求解模型参数。梯度下降包括全梯度、随机梯度和小批量梯度三种优化方式，各有优缺点。线性回归在Scikit-learn中通过LinearRegression类实现，包含模型训练、预测和参数获取等功能。该算法适用于预测分析，核心是通过拟合直线或超平面来描述变量间的线性关系。
2025-05-26 21:26:30
773
原创 机器学习----KNN(K近邻算法：K Nearest Neighbor)详解
KNN算法是一种基于"物以类聚"思想的机器学习方法，通过计算样本间距离实现分类和回归任务。文章系统介绍了KNN的原理、实现流程和应用示例。算法核心是选择K个最近邻样本，通过多数表决（分类）或平均值（回归）进行预测。详细讲解了四种距离度量方式（欧式、曼哈顿等）和关键参数K值的选取，并提供了特征预处理（归一化/标准化）的具体代码实现。最后以鸢尾花数据集为例，展示了完整的KNN分类实现流程，包括数据划分、特征工程、模型训练与网格搜索调参等步骤，通过准确率评估模型性能。
2025-05-24 23:43:32
760
1
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