三·七-CSDN博客

原创 PCA主成分分析

主成分分析（PCA）是一种广泛使用的数据降维算法。它的主要思想是将原始的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。

2023-12-31 10:45:24 1066 1

支持向量机（SVM）是一种二分类模型，它的基本思想是在特征空间中找到一个最优超平面，使得两个类别的样本点之间的间隔最大化。它是一个随机的二分类数据集，其中的数据点不是线性可分的。我们可以使用高斯核函数将这些数据映射到一个更高维的空间，使得数据在新的特征空间中呈现线性可分的特性。这就是即将要介绍的KKT条件，KKT条件是指在优化问题中，满足一定条件的最优解必须满足的一组充分必要条件。核函数是一种常用的技巧，用于将输入数据从原始空间映射到一个高维特征空间，使得原始数据在新的特征空间中呈现线性可分的特性。

2023-12-17 13:34:46 2113 1

原创 Logistic回归以及python实现

在多个自变量影响一个因变量的关系中，判断自变量的影响是否显著，并将影响显著的选入模型中，剔除不显著的变量；在最简单的情况下，例如一元线性回归，它由一个自变量和一个因变量组成，模型是Y=wX+b（X是自变量，Y是因变量，b是随机误差）。其中，lnY是因变量的自然对数，lnX是自变量的自然对数，w₀和w₁是模型参数，b是误差项。在最小二乘法中，我们试图找到一组参数，使得模型对观测数据的预测与实际观测值之间的差异（即残差）的平方和最小。其中，y是因变量或响应变量，x是自变量，w是模型的斜率，b是模型的截距。

2023-12-03 20:19:05 922 1

原创朴素贝叶斯分类

朴素贝叶斯法（Naive Bayes model）是基于贝叶斯定理与特征条件独立假设的分类方法。它是贝叶斯分类算法中最简单的一个，一般用于处理二分类或多分类任务。该算法围绕着一个核心进行展开：贝叶斯定理。朴素贝叶斯算法假设各个特征是相互独立的，所以可以将概率拆分成多个条件概率累乘。这也是算法名称中“朴素”二字的由来，该算法需要预先假设样本各个特征之间相互独立。在实际的分类任务中，特征通常不只一个，如果直接去统计在某一类别的条件下，同时符合这些特征的样本个数，然后再相除，得到的概率结果会非常小。

2023-11-20 09:49:13 113 1

原创机器学习——决策树

决策树的构建过程是一个递归的过程：首先选择一个最佳的特征来划分数据，然后在每个子集上重复这个过程，直到所有的特征都已经被使用或者所有的子集都属于同一类别。基尼指数是一种衡量数据不纯度的指标，基尼指数越小，数据的不纯度越低。信息熵的定义是一个数学期望，单位是比特，它的值越大，表示随机变量的不确定性越高，信息量也就越大。这是因为基尼指数越小，数据集的纯度越高，也就是说，使用该属性进行划分可以得到更纯的子集。Gini指数越小表示集合中被选中的样本被分错的概率越小，也就是说集合的纯度越高，反之，集合越不纯。

2023-11-05 11:27:22 240 1

原创 PR曲线、ROC曲线的原理以及在python的实现

ROC曲线和PR曲线都是评价分类模型的性能的常用工具。ROC曲线（Receiver Operating Characteristic）以真正率(True Positive Rate)为纵坐标，假正率(False Positive Rate)为横坐标，描述了正负样本判定阈值的变化如何影响分类器的性能。ROC曲线可以直观地展示出不同阈值下分类器的性能，同时考虑到了真正率和假正率之间的平衡关系，适用于正负样本不平衡的情况。ROC曲线下面积(AUC)越大，分类器性能越好。

2023-10-22 10:39:00 1241

原创 KNN近邻算法的简单实现（python）

knn算法是根据k个与新样本距离最近的样本，并通过出现最多次的结果来推测新样本的结果。3、一天打开购物app的次数。

2023-10-09 16:56:38 56

原创 Anaconda，VS code ，pytorch的安装

随后同openCV相同，在vs code的命令行执行该命令，安装成功的情况与openCV类似（pytorch要从境外网站下，会比较慢，等不了的连外网）。上PyTorch网站（https://pytorch.org/），根据自己机器选择相应配置，找到对应安。注：下载速度慢的可以选择连接外网或选择清华大学开源镜像网站下载。按下”win+r”键，然后运行dxdiag，在出现的对话框中点击显示。下载完成后可以再win界面中搜索，如图，下载成功。我的电脑使用的是AMD的GPU，则安装CPU版本。装指令，复制该指令。

2023-09-25 21:56:23 83 1

qq_64337860的博客