- 博客(8)
- 收藏
- 关注
RSS订阅原创 机器学习（八）——PCA
通过PCA技术，成功地将数据集进行了降维处理，取得了比较好的效果。降维后的数据在可视化和处理效率上都有了显著提高。然而，在降低维度的同时，需要注意对数据解释性的影响，以及对异常值的敏感度。
2024-01-01 19:26:06
403
原创 机器学习（七）——SVM
支持向量机是一种监督学习算法，其基本目标是找到一个最优超平面或者称为决策边界，可以在不同类别的数据点之间进行最佳分类。SVM在数据分类、回归分析和异常检测等领域都有广泛的应用。SVM被广泛应用在模式识别、机器学习和数据挖掘领域的监督学习方法。主要用于二分类问题，但也可以通过一对多或一对一的方法进行多类分类，除了用于分类，SVM也可用于解决回归问题。支持向量机的优点：对于含有大量特征属性的小样本有很强的鲁棒性、对于简单和复杂的分类模型都有很强的学习能力、如果采用复杂的数学模型可以避免过拟合现象。
2023-12-18 20:11:57
955
原创 机器学习（六）——逻辑回归
逻辑回归（Logistic Regression）是一种适用于分类问题的机器学习算法。该算法的主要目的是用于预测一个特定事件的发生概率。逻辑回归的输出是一个介于0和1之间的概率值，表示某样本属于某个类别的概率大小。逻辑回归常用于二分类问题的预测，比如判断邮件是否为垃圾邮件、肿瘤是恶性还是良性等，也可以通过构建多个二分类模型来解决多分类问题。logistic回归的优缺点：优点： 简单而有效，logistic回归是一种线性分类器，简单易于实现和理解。
2023-12-04 19:08:00
30
原创 机器学习（五）——朴素贝叶斯
假设特征之间相互独立，求解在此样本出现的条件下各个类别出现的概率，哪个概率最大，就属于哪个类别优点1. 简单高效：朴素贝叶斯算法易于实现和理解，计算速度快，适用于大规模数据集。2. 对小规模数据表现良好：即使在小规模数据集上，朴素贝叶斯分类器通常也能表现得很好。3. 适用于多分类问题：朴素贝叶斯算法可以处理多分类问题，并且对输入数据中的噪声具有较好的鲁棒性。缺点1. 特征条件独立性假设：朴素贝叶斯算法假设所有特征之间相互独立，这在某些实际应用场景下可能并不成立，导致分类性能下降。
2023-11-20 18:36:49
46
1
原创 机器学习（四）——决策树
决策树优点：简单易懂，能处理多种数据类型，能够同时处理多个目标变量，可应对缺失的数据， 不用归一化。决策树缺点：容易过拟合，对输入数据的表示形式敏感，不稳定性，忽略特征相关性。
2023-11-06 20:18:51
44
原创 机器学习（三）——模型评估方法
模型评估的目的是是确定模型在处理新数据时的表现如何，以便我们可以了解模型的优势和局限性，并作出相应的改进。PR曲线的优点PR曲线主要关注模型在正例预测方面的性能，对于一些重视正例识别准确性的任务（如医学诊断、信用风险评估等），PR曲线能够提供更直观的评估指标。直观易懂，能够帮助决策者在不同的阈值下权衡模型的性能。ROC曲线的优点能够全面评估模型的分类性能，不受类别分布不平衡的影响，适用于各种类别分布情况下的模型评估，可比较性强，阈值不敏感%20FN%7D%20FP%7D%20FN%7D。
2023-10-23 19:56:59
71
原创 机器学习（二）——k-邻近算法
k-邻近算法是一种常用的机器学习算法，用于分类和回归问题。它基于一个简单的思想：给定一个未标记的数据点，在训练集中找到其K个最近邻居，并根据这K个最近邻居的标签来预测该数据点的标签。KNN算法是一种简单而强大的分类和回归算法，易于理解和实现，要调整的参数少， 适用于各种类型的数据，能够捕捉到非线性关系，对于复杂的决策边界有较好的表现，可以轻松处理多类别问题，然而，它也有一些限制，如高计算复杂度、对异常值敏感等。
2023-10-09 21:10:08
38
1
原创 机器学习（一）
通过下载和配置Visual Studio Code和Anaconda环境，可以获得一个强大的开发环境，方便进行机器学习项目的开发、调试和部署。这些工具提供了丰富的功能和易于使用的界面，使得机器学习开发变得更加高效和方便。
2023-09-19 17:16:50
39
2
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