![](https://img-blog.csdnimg.cn/20201014180756922.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
机器学习
文章平均质量分 90
祚儿疯
向阳而生
展开
-
《机器学习实战4》
2017.3.7 第四章《朴素贝叶斯分类器》 思维导图 1:简单概念描述 概念比较简单,这里我摘抄自百度百科,很容易理解。 朴素贝叶斯模型(NaiveBayesian classification)): Vmap=arg max P( Vj | a1,a2...an) Vj属于V集合 其中Vmap是给定一个example,得到的最可能的目标值. 其中a1...an是这个example里面的属性....原创 2018-12-11 15:26:37 · 252 阅读 · 0 评论 -
《机器学习实战1》
2017.2.27 第一章 《机器学习基础》 思维导图 1、关键术语的解释 特征:测量所有可测属性,而后再挑选出重要部分,也可以称作属性 分类:机器学习的主要任务就是分类,即根据目标变量对特征进行分类 训练集:通常我们为算法输人大量已分类数据作为算法的训练集。训练集是用于训练机器学习算法的数据样本集合 训练样本:特征或者属性通常是训练样本集的列,它们是独立测量得到的结果,多个特征联系在一起共同...原创 2018-12-11 13:45:08 · 592 阅读 · 0 评论 -
《机器学习实战2》
2017.2.28 第二章《k-近邻算法》 思维导图: 1、基本算法原理 简单地说,k近邻算法采用测量不同特征值之间的距离方法进行分类。 优点:精度高、对异常值不敏感、无数据输入假定。 缺点:计算复杂度高、空间复杂度高。 适用数据范围:数值型和标称型。 工作原理: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。输人没有标签的...原创 2018-12-11 14:02:20 · 663 阅读 · 0 评论 -
《机器学习实战3》
2017.3.6 第三章《决策树的构造》 思维导图: 1、基本算法原理 理解数据集中蕴含的知识信息,根据特征进行划分,形成一定的规则,最终形成规则树,按照这个规则树即可以将数据分类出来。 优点:计算复杂度不高,输出结果易于理解,对中间值的缺失不敏感,可以处理不相关特 征数据。 缺点:可能会产生过度匹配问题 适用数据类型:数值型和标称型<> 2、构造一颗决策树的流程: 检测数据集中每一...原创 2018-12-11 14:11:54 · 478 阅读 · 0 评论