- 博客(8)
- 收藏
- 关注
RSS订阅原创 机器学习：主成分分析 PCA
它的目标是是用方差（Variance）来衡量数据的差异性，并将差异性较大的高维数据投影到低维空间中进行表示。无监督学习（Unsupervised Learning）是和监督学习相对的另一种主流机器学习的方法，无监督学习不依赖任何标签值，通过对数据内在特征的挖掘，找到样本间的关系，比如聚类。PCA是一种使用最广泛的数据降维算法，主要思想是将n维特征映射到k维上，这k维是全新的正交特征也被称为主成分，是在原有n维特征的基础上重新构造出来的k维特征。各主成分之间正交，可消除原始数据成分间的相互影响的因素。
2024-01-01 21:21:35
1042
原创 机器学习：支持向量机
解决高维特征的分类回归问题很有效,在特征维度大于样本数时依然有很好的效果。使用核函数可以灵活的来解决各种非线性的分类回归问题。样本量不是海量数据的时候，分类准确率高，泛化能力强。缺点对参数调节和和函数的选择敏感。特征维度远大于样本数时，SVM表现一般。对偶问题往往更易求解。寻找约束存在时的最优点的时候，约束的存在虽然减小了需要搜寻的范围，但是却使问题变得更加复杂。为了使问题变得易于处理，把目标函数和约束全部融入一个新的函数，即拉格朗日函数，再通过这个函数来寻找最优点。
2023-12-18 21:15:57
964
原创 机器学习:Logistic回归
是在线性回归的基础上加了一个 Sigmoid 函数（非线形）映射，使得逻辑回归称为了一个优秀的分类算法，解决的是分类问题，不仅预测出类别，还可得到近似概率预测，可直接应用现有数值优化算法（如牛顿法）求取最优解，具有快速、高效的特点。其优点是计算代价不高，易于理解与实现，但是容易欠拟合，分类精度可能不高。适用数据类型：数值型和标称型数据。Logistic回归的算法编程1.收集样本数据，并转化成我们需要的格式。2.建立sigmod函数与最优化函数模型。
2023-12-04 20:49:43
887
原创 机器学习：朴素贝叶斯算法
朴素贝叶斯法是基于贝叶斯定理与特征条件独立假设的分类方法。对于给定的训练数据集，首先基于特征条件独立假设学习输入输出的联合概率分布；然后基于此模型，对给定的输入x，利用贝叶斯定理求出后验概率最大的输出y。两种分类模型是决策树模型(Decision Tree Model)和朴素贝叶斯模型（Naive Bayesian Model，NBM）。决策树模型相比，朴素贝叶斯分类器(Naive Bayes Classifier 或 NBC)发源于古典数学理论，有着坚实的数学基础，以及稳定的分类效率。
2023-11-20 19:25:33
66
1
原创 机器学习：决策树
分类决策树模型是一种描述对实例进行分类的树形结构,在分类、预测、规则提取等领域有着广泛应用。它代表的是对象属性与对象值之间的一种映射关系。
2023-11-06 17:51:58
188
原创 机器学习：PR曲线和ROC曲线
ROC曲线和PR曲线是机器学习中两个常见的评估指标，在评价一个检测模型时通常需要绘制出其 ROC 曲线或 PR 曲线。
2023-10-22 10:05:10
629
原创 机器学习 KNN近邻算法
什么是K近邻算法？K近邻（K-nearst neighbors，KNN），是一种基本的分类与回归方法，简述说明就是给定一些训练数据集，对新的输入实例，在给定的训练数据集中找到与输入实例最相邻近的K个实例，若这K个实例的多数属于某个类，就把该输入实例分类到这个类中。kNN是一种基本的分类算法，在机器学习分类算法中占有相当大的地位，同时也是一种较于简单的数据分类统计技术方法。KNN是通过测量不同特征值之间的距离进行分类。一般先进行对数据的准备，列如收集、清洗和预处理数据。
2023-10-09 21:40:40
55
1
原创 机器学习安装
进行机器学习的环境配置，详细指南。简单了解如何安装和配置VSCode及所需的软件和工具，以及如何进行VSCode设置和环境配置。创建交互式代码(ipynb)，对应Jupyter功能。（系统中可能安装了多个Python版本，此时可。而后按照自己所需的需求进行配置，便可完成安装。通过单击底部状态栏左侧，选择对应解释器）2. 选择合适的Python解释器。在1右侧对应的框内就可以输入程序了。Jupyter: 交互式运行程序。Pylance: 高效代码提示。1. 安装Python扩展。挑选适合自己的版本下载。
2023-09-25 22:00:07
58
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