qq_73559660的博客

PCA是一种数据维度压缩和特征选择的方法，它通过将高维数据映射到低维数据，保留数据的主要特征，从而实现数据的降维。PCA算法的核心思想是将n维特征映射到k维上（k

基本定义：是一类按监督学习方式对数据进行二元分类的广义线性分类器，其决策边界是对学习样本求解的最大边距超平面，可以将问题化为一个求解凸二次规划的问题。与逻辑回归和神经网络相比，支持向量机，在学习复杂的非线性方程时提供了一种更为清晰，更加强大的方式。

一、算法概述逻辑回归，虽然名字中包含“回归”，但实际上是一种分类算法，主要用于处理二分类问题。它的基本原理是通过一个称为“逻辑函数”或“Sigmoid函数”的数学函数，将输入的特征向量映射到一个概率值，该概率值用于描述样本属于正类的可能性。

贝叶斯算法（Bayesian algorithm）是一种基于贝叶斯定理（Bayes' Theorem）的机器学习方法，用于估计模型参数和进行概率推断。贝叶斯定理描述了两个条件概率之间的关系，例如P(A|B)和P(B|A)。其数学表达式为：P(A|B) = P(B|A) * P(A) / P(B)。这个定理的核心思想是，当观察到新数据时，我们如何更新关于模型参数的信念。#加载数据集函数#dataSet:训练集 testSet:待测集 labels:样本所具有的特征的名称。

决策树是一种常用的监督学习算法，用于解决分类和回归问题。在构建决策树时，不同的算法会使用不同的评价指标来选择最优划分属性。

F1就是精确率和召回率的一种综合考虑标准，因为有的模型需要召回率高才能够进行实际运用，有的需要精确率高，有的则需要二者的折中。简单来说就是用于评判模型能不能很好的找出阳性样本，即 阳性样本中被模型识别出阳性的数量/实际的阳性样本数量，这里阳性的recall = 3 / 3 = 100%，说明模型recall非常好。精确率又称为查准率，可以简单理解为该模型认为你是阳性，而其中实际确实为阳性的概率，这里阳性的Precision = 3 / 5。FN表示原本为阳性，经模型预测后不为阳性的个数。

它的工作原理是：存在一个样本数据集合，也称作训练样本集，并且样本集中每个数据都存在标签，即我们知道样本集中每一数据与所属分类的对应关系。输入没有标签的新数据后，将新数据的每个特征与样本集中数据对应的特征进行比较，然后算法提取样本集中特征最相似数据（最近邻）的分类标签。一般来说，我们只选择样本数据集中前k个最相似的数据，这就是k-近邻算法中“k”的出处，通常k是不大于20的整数。未来，我们可以进一步探索KNN算法的改进和优化方法，如使用不同的距离度量方式、优化K值选择算法等。四、实验代码与运行结果。

在机器学习的课程中，需要安装anaconda来安装其他编程软件，以下是anaconda安装与环境配置的具体内容。，根据csdn上的教程选择的往后的详细步骤也可以参考这篇文章。anaconda中可以很容易找到并安装下载，这里不多说明。根据教程进入高级设置的path中查看环境变量是否完整。2.进入Anaconda安装VS code。1.Anaconda的安装与环境配置。地址安装anaconda,安装地址。2.1使用VS code。1.3终端检查版本信息。1.2环境配置及检测。

(2).数字设定法　　我们必须首先了解用数字表示的属性的含义：0表示没有权限，1表示可执行权限，2表示可写权限，4表示可读权限，然后将其相加。例如，如果想让某个文件的属主有“读/写”二种权限，需要把4(可读)+2(可写)＝6(读/写)。数字与字符对应关系如下：r=4，w=2，x=1若要rwx属性则4+2+1=7若要rw-属性则4+2=6；插入模式：在命令模式下输入字母i可切换到插入模式，在当前光标前输入，插入模式下按Esc可以返回命令模式。用于改变文件或目录的访问权限，用它控制文件或目录的访问权限。