- 博客(7)
- 收藏
- 关注
RSS订阅原创 机器学习——支持向量机
支持向量机（Support Vector Machine，SVM）是一种常用的监督学习算法，在分类和回归问题中都有广泛应用。其基本概念如下：支持向量：在SVM中，支持向量是训练数据集中离分割超平面最近的样本点。这些样本点对于确定分割超平面起到关键作用，决定了分类器的性能。分割超平面：SVM的目标是找到一个分割超平面，将数据集划分为不同的类别。在二维空间中，分割超平面是一条直线；在高维空间中，它是一个超平面。分割超平面使得两个不同类别的样本点距离该超平面最大化。
2024-06-11 16:26:18
964
原创 机器学习——Logistic回归
逻辑回归是一种用于解决分类问题的统计学习方法。尽管名字中含有“回归”，但逻辑回归实际上是一种分类算法，常用于二分类问题，也可以扩展到多分类问题。逻辑回归基于线性回归模型，通过对特征和目标之间的关系进行建模，来预测输入特征属于某一类别的概率。通常，逻辑回归使用逻辑函数（也称为Sigmoid函数）将线性组合转换为在0到1之间的概率值。在训练阶段，逻辑回归使用最大似然估计或梯度下降等方法，通过最大化似然函数来求解模型参数。
2024-05-28 16:49:03
610
原创 机器学习——朴素贝叶斯
基本原理朴素贝叶斯分类器基于贝叶斯定理，利用已知的数据来进行分类预测。贝叶斯定理描述了在给定先验概率的情况下，如何根据新的证据来更新我们对某个事件发生概率的信念。朴素假设朴素贝叶斯算法中最重要的假设是特征之间相互独立，即给定类别的情况下，特征之间是条件独立的。尽管这个假设在实际中很少成立，但在许多情况下，朴素贝叶斯仍然表现出良好的性能。分类决策给定一个待分类的样本，朴素贝叶斯计算每个可能类别的后验概率。最终选择具有最高后验概率的类别作为预测结果。分类器类型。
2024-05-13 22:08:06
607
原创 机器学习--决策树
优点：决策树算法适用于分类和回归问题，并且在实际应用中被广泛使用。决策树算法对数据预处理的要求相对较低，能够处理缺失值和不完整数据，适用于处理实际中的复杂数据集。决策树算法能够自然地处理多类别问题，无需额外的复杂处理。决策树算法的原理相对简单，易于实现和调试，适用于快速建立基准模型。缺点：决策树算法容易受到训练数据中噪声和异常值的影响，导致过拟合问题。为了减少过拟合，需要进行剪枝等操作。传统的决策树算法如ID3在处理连续性特征时存在一定的局限性，可以通过改进算法如C4.5来解决。
2024-04-29 23:59:11
445
原创 机器学习模型评估
通过绘制 P-R 曲线和 ROC 曲线，我们能够全面了解模型在不同阈值下的表现，包括精确率、召回率、真阳性率和假阳性率等指标。这使我们能够更好地理解模型的优势和不足，有针对性地进行调优和改进，我们可以选择最适合任务需求的模型和阈值。如果任务更注重精确率或召回率，我们可以根据曲线的形状选择合适的模型和阈值，从而提高模型的效果。通过实验，深刻认识到了模型评估的重要性，了解到了不同评估指标的含义和用途。同时，实验过程也让我们更加熟悉了机器学习模型的训练、评估和调优流程，提升了对机器学习的理解和应用能力。
2024-04-15 21:33:23
845
原创 简单的KNN算法的实现
K 最近邻（KNN）算法是一种常用的监督学习算法，其优缺点如下：简单易懂：KNN 是一种直观的算法，易于理解和实现。它不需要对数据进行假设，不需要进行模型训练，因此非常适合作为入门算法。适用于多分类问题：KNN 可以用于解决分类和回归问题。在分类问题中，KNN 可以处理多分类任务，并且不需要进行特别的修改。适用于非线性数据：KNN 不对数据的分布做出假设，因此适用于各种类型的数据，包括非线性数据。预测速度快。
2024-04-01 21:22:39
618
原创 anaconda的安装
选择自己手动安装环境变量，同时你的系统不能已经下载过Python3.11，不然会跳弹窗不让你点第三个选项，要去卸载掉之前下载的Python。点击文件夹中的Anaconda3-2024.02-1-Windows-x86_64.exe进行安装。进入之后，在系统变量中找到Path，双击Path进入，然后点击新建。选择要下载到哪个文件夹，路径要是全英文，选好后点NEXT。把两个选项取消选择，然后点击完Finish完成安装。按照下面，点击系统信息，然后选择高级系统设置。进入官网，点击Download进行安装。
2024-03-18 18:31:25
426
2
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