- 博客(8)
- 收藏
- 关注
RSS订阅原创 PCA主成分分析：深入解析与机器学习应用
PCA是一种无监督的线性变换方法，它通过正交变换将原始数据转换为一组线性不相关的变量，即主成分。这些主成分按照方差从大到小排序，第一个主成分具有最大的方差，后面的主成分方差依次减小。通过选择前几个方差较大的主成分，我们可以在保持数据主要特性的同时，大大减少数据的维度。
2024-06-12 22:40:35
832
原创 机器学习：SVM
SVM作为一种强大的机器学习算法，在分类和回归问题中都表现出了很好的性能。通过理解SVM的核心概念、核函数、应用和优缺点，我们可以更好地使用SVM来解决实际问题。同时，也需要注意在实际应用中根据数据的特点和需求来选择合适的参数和核函数。
2024-06-11 11:12:16
958
原创 机器学习：逻辑回归
逻辑回归是一种广义的线性回归分析模型，用于解决二分类问题。它通过建立预测函数（也称为决策函数）来预测因变量（通常为二分类的类别标签）与自变量（特征）之间的关系。逻辑回归的输出是一个介于0和1之间的概率值，表示样本属于某个类别的可能性。在逻辑回归中，我们使用Sigmoid函数（也称为逻辑函数）将线性回归模型的输出映射到0和1之间，从而得到一个概率值。Sigmoid函数具有连续、可导、单调递增等特性，能够很好地满足逻辑回归的需求。# 定义sigmoid函数# 定义损失函数（交叉熵损失）# 定义梯度函数。
2024-05-27 22:09:37
844
1
原创 机器学习中的朴素贝叶斯算法：原理与实战
朴素贝叶斯算法以其简洁性和高效性在机器学习的分类问题中占据了一席之地。虽然它的特征独立性假设在实际问题中并不总是成立，但它在很多场景下仍然能够取得很好的效果。通过深入了解朴素贝叶斯算法的原理、特点和变种，并结合实战应用进行探索和优化，我们可以更好地利用这一算法来解决实际问题。
2024-05-12 14:46:46
968
原创 机器学习决策树：原理与应用
决策树作为一种简单而有效的机器学习算法，在各个领域都有着广泛的应用。通过深入理解决策树的工作原理和应用场景，并结合可视化工具进行模型展示，我们可以更好地利用决策树来解决实际问题。未来，随着机器学习技术的不断发展，决策树算法也将不断完善和优化，为我们提供更多强大的功能和应用场景。
2024-04-29 16:56:26
484
原创 深入了解分类模型评估指标和ROC曲线
选择合适的曲线（ROC或PR）来评估分类模型的性能取决于数据的平衡性和任务需求。在实际应用中，需要综合考虑模型的精确率、召回率、真阳性率、假阳性率等指标，以全面评估模型的性能。TN+FP+
2024-04-14 21:30:00
539
原创 K近邻算法（KNN）：从原理到实现
K近邻算法是一种简单而有效的机器学习算法，适用于许多分类和回归任务。通过本文的介绍，你应该对KNN算法的原理和实现有了更深入的了解。如果你对机器学习算法感兴趣，不妨尝试实现更复杂的算法或者应用KNN算法解决实际问题。希望本文对你有所帮助！
2024-03-27 22:02:38
482
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