- 博客(4)
- 收藏
- 关注
RSS订阅原创 AdaBoost
AdaBoost （1）收集数据：可以使用任何方法； （2）准备数据：依赖于所使用的若分类器类型； （3）分析数据：可以使用任意方法 （4）训练算法：AdaBoost的大部分时间都用在训练上，分类器将多次在同一数据集上训练若分类器； （5）测试算法：计算分类的错误率； （6）使用算法：同SVM一样，AdaBoost预测的两个类别中的一个，如果想要把它应用到多个类的场合，那么就像多类SVM中的做法一...
2019-12-08 12:59:30
74
原创 朴素贝叶斯
朴素贝叶斯 朴素贝叶斯的一般过程： 收集数据：可以使用任何方法。本章使用RSS源。 准备数据：需要数值型或者布尔型数据。 分析数据：有大量特征时，绘制特征作用不大，此时使用直方图效果更好。 训练算法：计算不同的独立特征的条件概率。 测试算法：计算错误率。 使用算法：一个常见的朴素贝叶斯应用是文档分类。可以在任意的分类场景中使用朴素贝叶斯分类器，不一定非要是文本。 贝叶斯决策理论的核心思想： 选择概...
2019-11-23 20:57:43
188
原创 逻辑回归
逻辑回归 逻辑回归的过程： (1) 收集数据：采用任意方法收集数据。 (2) 准备数据：由于需要进行距离计算，因此要求数据类型为数值型。另外，结构化数据 格式则最佳。 (3) 分析数据：采用任意方法对数据进行分析。 (4) 训练算法：大部分时间将用于训练，训练的目的是为了找到最佳的分类回归系数。 (5) 测试算法：一旦训练步骤完成，分类将会很快。 (6) 使用算法：首先，我们需要输入一些数据，并将...
2019-11-23 20:44:37
166
原创 KNN
K-邻近算法 流程 收集数据：任何方法 准备数据：距离计算所需要的数值，最好是结构化的数据格式 分析数据:任何方法 训练算法 测试算法：计算错误率 使用算法：输入样本数据和结构化的输出结果，然后运行K近邻算法判断输入数据分类属于哪个分类，最后对计算出的分类执行后续处理。 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 使用数据范围：数值型和标称型 基本原理 ...
2019-11-16 22:25:55
93
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