机器学习
兰布达
这个作者很懒,什么都没留下…
展开
-
ID3决策树原理及其实现(简单易懂,附测试函数)
第一次种树:先向大佬学习:https://blog.csdn.net/yangliuy/article/details/7322015话不多说,开始干!决策树作为最常用的机器学习方法,也是最容易理解的算法,顾名思义,就是对当前样本做出决策。举个栗子:晴天,空气湿度正常–>可以外出活动但是决策树不是这么简单的照本宣科,它的一大功能:对未知属性集合做出决策这其实也暗示着:得到一颗决策...原创 2019-07-29 20:11:06 · 873 阅读 · 0 评论 -
最简单机器学习算法入门__感知机算法及其实现(附原始python实现以及sk_learn实现)
感知机(perceptron)是一种二类分类的线性分类模型,其输入为特征向量,输出为实例的分类,取“-1”“+1”两值。简单的来说:感知机便是一个超平面,将训练数据进行线性划分。借助训练出来的超平面,输入测试数据,便可以得到预测结果话不多说:原理解释走起!准备:假设输入空间(特征空间)是X∈R(n),输出空间是Y={-1,+1}.x对应于X,表示实例的特征向量,对应于输入空间的点,输出...原创 2019-08-02 15:42:49 · 529 阅读 · 0 评论 -
K-NN(k-nearset neighbor)算法原理及其实现(python原始代码实现和sk_learn实现)
机器学习有三宝:一、模型二、策略三、算法模型:先来一波简介:K-NN是一种基本分类和回归方法,这篇博客我们只讨论分类问题中的k近邻法,kNN的输入为实例的特征向量,对应于特征空间的点;输出为实例的分类类别。假设给定一个训练数据集,其中类别已定。分类时,给定测试点,选定k个离测试点最近的点,得到k个结果,对结果进行投票,选择票数最高的结果作为分类结果。因此,k近邻法不像感知机一般,具...原创 2019-08-03 15:41:22 · 339 阅读 · 0 评论 -
简单易懂的朴素贝叶斯(Navie Bayes) 原理的讲解和代码未实现(原始代码和sk_learn)
说起朴素贝叶斯,我脑海中的第一印象是各种独立事件组合发生的概率。所谓朴素贝叶斯,其实就是根据已知独立事件来求未知组合发生的概率。举个例子:当一个病人 患上头痛,职业是农夫,那么他的疾病最可能是什么? 这就是朴素贝叶斯要估计的事情。定义:朴素贝叶斯是基于贝叶斯定律和特征条件独立假设的**分类方法,**根据提供的数据集,首先基于特征条件独立假设学习输入/输出的联合概率发布,然后基于此模型,对...原创 2019-08-05 16:07:44 · 746 阅读 · 0 评论