- 博客(8)
- 收藏
- 关注
RSS订阅原创 机器学习-主成分分析
主成分分析（Principal Component Analysis，PCA）是一种常用的数据降维技术，用于发现数据中的关键特征和模式，并将数据投影到一个新的坐标轴系上，以便减少数据的维度。PCA的主要目标是找到一个方向，即主成分，使得数据在这个方向上的方差最大。换句话说，PCA试图找到一组新的特征向量，它们是原始特征的线性组合，以便在这些新的特征上数据的方差最大化。这样可以获取尽可能多的信息，同时丢弃较少的信息。通过这种方式，PCA可以减少数据的维度，同时保留了数据中最重要的信息。
2024-01-01 19:42:26
373
原创 机器学习-支持向量机
SVM（支持向量机）适用于以下问题：1. 二分类问题：SVM最初是设计用于二分类问题的，尤其在训练样本数量相对较少的情况下效果显著。2. 具有复杂特征空间的数据：SVM能够处理高维甚至无限维的特征空间，适合处理复杂的实际数据。3. 非线性数据：通过使用核函数，SVM可以处理非线性可分的数据，因此适用于多种类型的数据。SVM的优点：1. 在高维空间有效：SVM能够有效地处理高维空间，因此适用于解决相当复杂的问题。
2023-12-18 18:42:16
389
1
原创 机器学习-逻辑斯蒂回归
Logistic回归是一种简单而高效的分类算法，实现起来相对容易，并且在处理大规模数据集时也具有很好的性能。而且能够输出样本属于某个类别的概率，这使得模型的预测结果具有很好的解释性，可以用作风险评估或决策支持。
2023-12-04 19:18:35
576
原创 机器学习-朴素贝叶斯对垃圾邮件分类
朴素贝叶斯（Naive Bayes）是一种基于贝叶斯定理的简单且高效的分类算法。它假设特征之间相互独立，并利用特征条件独立性简化了计算过程，因此称为"朴素"。朴素贝叶斯分类器是基于概率模型的生成式分类方法。给定一个待分类的样本，朴素贝叶斯分类器通过计算每个类别的后验概率来确定其所属类别。具体而言，朴素贝叶斯将样本的特征向量视为条件独立的事件，并使用贝叶斯定理计算每个类别的概率，然后选择具有最大后验概率的类别作为预测结果。朴素贝叶斯分类器在文本分类、垃圾邮件过滤、情感分析等领域广泛应用。
2023-11-20 21:11:13
354
1
原创 机器学习-决策树
决策树可以直观地表示特征与目标之间的关系，易于解释和理解。它们生成的规则类似于人类进行决策的方式。并且在训练之前不需要进行数据归一化或标准化等预处理步骤。它们生成的规则类似于人类进行决策的方式。对于机器学习的分类问题，决策树还能够实现如垃圾邮件过滤、图像识别和文本分类等领域。
2023-11-06 19:18:24
25
1
原创 机器学习-模型评估
机器学习的模型评估是对训练得到的机器学习模型进行性能评估的过程。它用于衡量模型在未见过的数据上的表现，并帮助我们了解模型的准确性、稳定性和泛化能力。
2023-10-23 19:24:35
121
原创 K近邻（KNN）算法
KNN算法的优点包括简单易实现、对数据没有假设性要求、适用于多分类问题和回归问题等。然而，KNN算法的缺点是计算复杂度高（需要计算未知样本与所有已知样本之间的距离）、对异常值敏感，并且在处理高维数据时存在维度灾难问题。
2023-10-09 21:10:39
39
1
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