- 博客(8)
- 收藏
- 关注
RSS订阅原创 机器学习——主成分分析
通过本次PCA降维实验，学习了PCA的基本理论和方法，掌握了如何实现PCA降维，并了解了在实际应用中可能遇到的问题和解决方案。代码实现中的错误：在编写PCA算法的代码实现时，可能会遇到索引错误、维度不匹配等问题。这要求仔细检查代码并进行调试。性能考量：对于大规模数据集，PCA的计算可能会很耗时，特别是特征值和特征向量的计算。这可能需要使用更高效的算法或并行计算。
2024-06-22 20:49:02
229
原创 机器学习——线性SVM实现鸢尾花分类
支持向量是指在支持向量机（SVM）算法中，被划分为不同类别的数据点中，离分类超平面最近的一些点。这些点被称为支持向量，因为它们对于分类超平面的位置和方向起到了重要的支持作用。SVM是一种强大的机器学习算法，特别适用于具有明显类别间隔的数据集。核函数的选择取决于数据的线性可分性，线性核适用于线性问题，而非线性核适用于更复杂的数据结构。参数C的调整可以平衡模型的复杂度和错误惩罚，需要根据具体问题进行优化。可视化工具（如matplotlib）可以更好地理解模型的决策过程和性能。
2024-06-10 21:23:58
348
原创 逻辑回归实验
训练数据，密度和含糖率# 测试数据该实验利用逻辑回归模型对含糖率和密度数据进行训练，并在测试集上进行预测。逻辑回归通过学习训练数据，找到一个决策边界，将特征空间划分为两个区域，从而实现对样本的分类。绘制了散点图展示了训练数据和测试数据的分布情况，并在测试集预测结果的散点图中画出了Sigmoid函数的决策分界线，用于展示模型的分类效果。完成该实验不仅让我掌握逻辑回归模型的基本流程，还学会了如何利用可视化工具更好地理解数据和模型的表现。
2024-05-28 16:41:36
422
原创 朴素贝叶斯算法
这个实验展示了朴素贝叶斯分类器在简单分类问题上的应用，以及如何利用概率统计的方法进行分类任务。使用朴素贝叶斯分类器进行简单的分类任务，包括先验概率的计算、条件概率的计算以及分类器的构建和预测。
2024-05-15 12:39:23
488
1
原创 构建决策树
基尼指数是一种衡量数据不纯度的标准，常用于决策树算法中。基尼指数最初是用来衡量一个国家或地区居民收入差距的指标。在经济学中，它表示在全部居民收入中，用于进行不平均分配的那部分收入占总收入的百分比。基尼指数的值介于0到1之间，值越大，表示不平等程度越高；值越小，表示收入分配越均匀。在机器学习领域，尤其是在构建决策树时，基尼指数被用来度量数据集的不纯度。数据集的不纯度是指数据集中的元素被错误分类的程度。
2024-04-29 22:20:46
651
原创 实验二——模型评估
当评估分类模型性能时，常用的指标包括准确率、精确率、召回率、F1分数和混淆矩阵。下面对这些指标进行详细解释：1.准确率（Accuracy）： 准确率是指分类器正确分类的样本数占总样本数的比例。计算公式为：准确率 = (TP + TN) / (TP + TN + FP + FN)，其中TP表示真正例（模型将正类别预测为正类别的样本数）、TN表示真负例（模型将负类别预测为负类别的样本数）、FP表示假正例（模型将负类别预测为正类别的样本数）、FN表示假负例（模型将正类别预测为负类别的样本数）。
2024-04-15 10:54:19
775
原创 K近邻算法+模型评估
K近邻（K-Nearest Neighbors，KNN）算法是一种基本的分类和回归方法，其核心思想是通过找出与待分类样本最相似的K个训练样本来进行预测。
2024-03-31 11:27:21
786
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人