- 博客(8)
- 收藏
- 关注
RSS订阅原创 机器学习实验 PCA主成分分析
PCA（主成分分析）是一种常见的数据分析方法，常用于高维数据的降维，可用于提取数据的主要特征分量. PCA的优点包括：降低数据维度：PCA可以将高维数据转换为低维数据，从而减少数据的维度，使得数据更易于处理和分析。去除冗余信息：PCA可以去除数据中的冗余信息，提取数据的主要特征分量，从而提高数据的可解释性和预测能力。提高模型准确性：PCA可以提高模型的准确性，因为它可以在数据集中找到最重要的特征，从而简化数据集并提高模型的准确性。
2024-01-01 16:40:18
922
原创 机器学习 七 ----SVM
支持向量机（Support Vector Machine，简称SVM）是一种经典的机器学习算法，它的基本模型是定义在特征空间上的间隔最大的线性分类器，间隔最大使它有别于感知机；SVM还包括核技巧，这使它成为实质上的非线性分类器。SVM的的学习策略就是间隔最大化，可形式化为一个求解凸二次规划的问题。线性SVM的算法原理：我们解释了线性SVM的算法原理，包括间隔最大化的数学表达，以及如何通过求解凸二次规划的问题得到最优超平面。非线性SVM的算法原理。
2023-12-18 21:52:44
899
1
原创 机器学习实验六 Logistic回归
Logistic回归是一种广义的线性回归分析模型，常用于数据挖掘，疾病自动诊断，经济预测等领域。逻辑回归根据给定的自变量数据集来估计事件的发生概率，由于结果是一个概率，因此因变量的范围在 0 和 1 之间。逻辑回归是一种线性分类算法，它通过对数几率函数将线性回归的输出映射到概率空间，从而实现分类。1.主要应用场景包括：用于分类：适合做很多分类算法的基础组件。用于预测：预测事件发生的概率（输出。用于分析：单一因素对某一个事件发生的影响因素分析（特征参数值。
2023-12-04 20:47:39
879
原创 机器学习实验五（朴素贝叶斯）
朴素贝叶斯是一种基于贝叶斯定理的分类算法，它假设特征之间相互独立。这个假设被称为“朴素”，因为在现实生活中，特征之间往往是有关联的。然而，尽管这个假设看似过于简单，但朴素贝叶斯在许多情况下都表现得相当出色。
2023-11-20 21:23:31
110
1
原创 机器学习（四）决策树
决策树是一种常见的机器学习算法，它通过一系列的问题来进行决策。这些问题通常是关于数据的特征的，例如“年龄是否超过30岁？”或者“收入是否超过5万美元？”等等。每个问题都会将数据分割成两个或更多的子集，这个过程会一直持续，直到满足某个停止条件，例如子集中的数据都属于同一类别，或者达到了预设的最大深度。在数据科学和机器学习中，决策树被广泛应用于分类和回归任务。在分类任务中，决策树可以预测一个样本属于哪个类别；在回归任务中，决策树可以预测一个连续的输出值。
2023-11-06 20:59:24
45
1
原创 模型评估方法
我们深入探讨了模型评估的各个方面，包括其定义、重要性、常用的评估指标和方法。模型评估在机器学习中的重要性不言而喻。它不仅可以帮助我们理解模型的性能，还可以指导我们改进模型，使其更好地适应特定的任务或数据。通过模型评估，我们可以量化模型的预测能力，比较不同模型的性能，以及识别并解决过拟合或欠拟合等问题。总的来说，模型评估是机器学习工作流程中不可或缺的一部分。只有通过有效的模型评估，我们才能确保我们的模型不仅在训练数据上表现良好，而且能够很好地泛化到新的、未见过的数据。
2023-10-23 21:23:09
105
原创 K邻近算法（KNN）的原理和实例
对这k个最近邻，查看他们的标签都属于何种类别，根据”少数服从多数，一点算一票”的原则进行判断，数量最多标签类别就是x的标签类别。KNN中的K代表的是距离需要分类的测试点x最近的K个样本点，如果不输入这个值，KNN算法中的重要部分“选出K个最近邻”就无法实现。优点： 简单，易于理解，易于实现，无需估计参数，无需训练（不需要花费任何时间做模型的构造）， 特别适合多分类问题，适合对稀有事件进行分类，精度高，对异常值不敏感，无数据输入假定。使用这个距离，欧氏空间成为度量空间，相关联的范数称为欧几里得范数。
2023-10-09 21:46:06
1311
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