- 博客(5)
- 收藏
- 关注
RSS订阅原创 打卡第四天
这段代码首先加载了鸢尾花数据集，然后对数据进行了标准化处理，接着将数据集划分为训练集和测试集，创建了一个KNN分类器，并使用训练集数据训练了模型。2. 数据预处理：在分类之前，我们可能需要对数据进行预处理，例如标准化特征值，使得每个特征的均值为0，标准差为1。通常，可以使用`train_test_split`函数来随机划分数据集，确保训练集和测试集的分布尽可能相似。在实际应用中，具体选择归一化还是标准化取决于数据集的特点和模型的要求，可以通过尝试不同的预处理方法来找到最适合的方案。
2024-04-26 10:23:32
284
1
原创 KNN算法相关介绍
KNN 算法的核心思想是"近朱者赤，近墨者黑"，即认为距离相近的样本在特征上也更为相似，因此具有相似的分类。KNN 算法，即 K-最近邻算法，是一种基于实例的学习方法，它通过计算待分类样本与训练集中已标记样本的距离，选择其中距离最近的 k 个样本作为邻居。具体地说，对于一个给定的测试样本 x，KNN 算法会计算 x 与训练集中每个样本的距离，然后将 x 与距离最近的 k 个样本归为一类（或者根据这 k 个样本的多数类来确定 x 的分类）。+ `n_neighbors`：整数，指定要考虑的邻居的数量。
2024-04-26 10:11:49
279
1
原创 第二天打卡
在实际应用中，避免过拟合和欠拟合是重要的，过拟合是指模型过于复杂，捕捉了数据中的噪声而不是潜在的趋势，而欠拟合是指模型过于简单，无法捕捉数据中的重要信息。过拟合通常是由于模型过于复杂，或者训练数据过多，导致模型学习到了数据中的噪声和特定于训练集的细节，而没有捕捉到数据的真实、普适性的规律。1. **模型选择**：根据数据的特点和问题的需求，选择一个合适的数学模型。是机器学习和统计模型训练中的一个问题，指的是模型过于简单，无法捕捉到数据中的重要模式和特征，导致在训练集和测试集上的表现都不好。
2024-04-23 15:08:13
763
原创 第一天打卡
机器学习作为一门跨学科的技术，正改变着我们的生活方式和工作方式。2. 无监督学习（Unsupervised Learning）：无监督学习是指让计算机从无标签的数据中学习，挖掘数据内在的结构和规律，主要包括聚类（Clustering）和降维（Dimensionality Reduction）等方法。1. 监督学习（Supervised Learning）：监督学习是一种让计算机通过已知的输入和输出关系来学习的方法，主要包括回归（Regression）和分类（Classification）问题。
2024-04-22 22:40:39
826
原创 机器学习导论
机器学习作为一门跨学科的技术，正改变着我们的生活方式和工作方式。2. 无监督学习（Unsupervised Learning）：无监督学习是指让计算机从无标签的数据中学习，挖掘数据内在的结构和规律，主要包括聚类（Clustering）和降维（Dimensionality Reduction）等方法。1. 监督学习（Supervised Learning）：监督学习是一种让计算机通过已知的输入和输出关系来学习的方法，主要包括回归（Regression）和分类（Classification）问题。
2024-04-22 22:37:27
536
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