![](https://img-blog.csdnimg.cn/20201014180756930.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
机器学习
文章平均质量分 97
Darcen289
这个作者很懒,什么都没留下…
展开
-
Density Peak Clustering
实验的另一个难点是选择簇中心,其最大的挑战是精准地评估一个点是否具有较大的δ。时,均需要比较繁琐的调参,最终得到的图像和DBI均是调参后得到的最优结果,无论是从图像还是DBI,整体来看,截断核的性能好于高斯核,前两个数据集上差别较为明显,第三个数据集上二者差别不大。总的来说,Cutoff核函数更适合于处理局部密度较高的情况,而Gauss核函数则更适合于连续的密度估计。邻域内将包含属于另一个簇的点,最终会导致图3这样的簇“中心”处在簇的边缘的结果;衡量与其它密度最高的点的最小距离,对于类中心点,有着较大的。原创 2024-03-12 12:04:29 · 1019 阅读 · 1 评论 -
SVM(支持向量机)
对于几个数据集,sklearn模型和梯度下降法模型在准确率上表现较好,并且训练时间相对较短。在5维的数据集上,SMO模型的训练时间较长,且准确率稍低。在四折交叉验证中,sklearn模型和梯度下降法模型的平均准确率都较高,而SMO模型的平均准确率较低。综合考虑模型的准确率和训练时间,sklearn模型效率及性能均好于我们自己写的SVM,在已有的测试结果中,梯度下降法明显优于简化版的SMO。原创 2024-03-11 22:24:56 · 936 阅读 · 0 评论 -
Logistic Regression
它基于线性回归模型,通过对输出进行逻辑变换,将线性回归的结果映射到一个概率值。与线性回归不同,逻辑回归的输出是一个概率值,而不是连续的数值。它假设样本的输出服从伯努利分布,即二分类问题中,样本的输出只有两个可能的取值。通过最大化似然函数,可以得到最优的模型参数,从而使得模型对样本的预测概率最接近实际观测值。另外,改变l1,l2即所用的正则表达式,gamma值,lr(learning rate)的值,accuracy均未改变,只有Training Loss Curve图像以及迭代次数改变。原创 2024-03-11 22:21:33 · 919 阅读 · 0 评论