机器学习实战
wwgavin
这个作者很懒,什么都没留下…
展开
-
决策树
决策树伪代码 输入:训练集 D={(x1,y1),(x2,y2),...,(xn,yn)}D=\{(x_1,y_1), (x_2,y_2), ... , (x_n,y_n)\} 属性集 A={a1,a2,...,ad}A = \{a_1, a_2, ... ,a_d\} 输出: 以node为根结点的一颗决策树原创 2017-07-03 17:03:21 · 405 阅读 · 0 评论 -
K-近邻算法
K-近邻算法特点 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。 使用数据类型:数值型和标称型。 K-近邻伪代码 输入:样本集 D={(x1,y1),(x2,y2)...,(xm,ym)}D=\{(x_1,y_1), (x_2,y_2) ..., (x_m,y_m)\}; 聚类簇数 kk. 输出:簇划分C={C1,C2,.原创 2017-07-05 13:03:07 · 454 阅读 · 0 评论 -
朴素贝叶斯
朴素贝叶斯算法特点 优点:在数据较少的情况下仍然有效,可以处理多类别问题。 缺点:对于输入数据的准备方式较为敏感。 使用数据类型:标称型数据。原创 2017-07-07 11:43:09 · 218 阅读 · 0 评论