![](https://img-blog.csdnimg.cn/20201014180756926.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
机器学习模范教学
文章平均质量分 85
I哒不溜@
难走的路从来不拥挤
展开
-
机器学习之朴素贝叶斯
朴素贝叶斯的核心思想是在给定一组特征的情况下,计算各个类别出现的可能性,然后选择可能性最大的类别作为预测结果。其关键之处在于“朴素”假设,即将复杂的多维条件概率简化为单个特征的条件概率的乘积。原创 2024-05-21 16:25:16 · 621 阅读 · 1 评论 -
机器学习之K-means聚类算法
K-means 算法是一种经典的无监督学习算法,广泛应用于数据聚类领域。该算法的目标是将 n 个观测值划分为 K 个聚类,使得每个观测值都属于离其最近的均值(即聚类中心或质心)所对应的聚类,并且每个聚类内部的数据点尽可能相似,而不同聚类之间的数据点则尽可能不同。K-means 算法作为一种简单而有效的聚类算法,在数据分析和挖掘领域发挥着重要作用。通过不断的研究和改进,K-means 算法及其变种和扩展算法将继续在更多领域发挥更大的作用。原创 2024-05-18 18:09:01 · 558 阅读 · 0 评论 -
机器学习之集成学习
集成学习(Ensemble Learning),作为机器学习领域的一个重要组成部分,致力于通过组合多个学习器(通常称为基学习器或弱学习器)来提高整体模型的预测性能。它的基本思想是将“弱者联合成强者”,即将多个可能表现一般但各具特色的学习器集成起来,共同构建一个性能更为优越的强学习器,下面结合博主个人理解,展开叙述集成学习的核心思想和API介绍,以及随机森林,Adaboost,XGBoost,GBDT等算法特点。原创 2024-05-19 21:28:12 · 819 阅读 · 1 评论 -
机器学习之决策树
决策树是一种基本的分类与回归方法,它通过一系列的决策规则将数据集分割为不同的类别或预测值。在决策树中,每个内部节点代表一个属性,每条边代表一个属性取值,每个叶子节点代表一个类别或预测值。决策树的生成过程通常包括特征选择、树的构建和剪枝三个步骤。总之,决策树是机器学习领域的重要算法之一,它以树形结构为基础,通过一系列的决策规则将数据集分割为不同的类别或预测值。在实际应用中,我们可以根据具体问题的特点和需求选择合适的决策树算法进行建模和预测。原创 2024-05-15 22:03:33 · 994 阅读 · 0 评论 -
机器学习之逻辑回归算法(保姆级笔记)
在数据驱动的决策制定和自动化分析中,分类算法发挥着至关重要的作用。逻辑回归作为一种简单而强大的分类算法,具有以下几个显著的优点:解释性强:逻辑回归模型可以输出每个特征对最终分类结果的影响程度,这使得模型结果易于解释和理解。计算效率高:逻辑回归的计算成本相对较低,适合处理大规模数据集。无需假设线性关系:虽然逻辑回归模型的数学形式是基于线性假设的,但它实际上可以处理非线性关系,通过特征转换或非线性特征生成来实现。易于实现和调试。原创 2024-05-12 21:41:36 · 526 阅读 · 0 评论 -
机器学习之线性回归算法(超详细)
机器学习中的线性回归方程算法是一种基础的预测性建模技术,它研究的是因变量(目标变量)与自变量(特征变量)之间的关系。线性回归试图找到一条最佳的直线(在多维空间中可能是超平面),这条直线能够尽可能地拟合数据点,从而能够预测新的数据点的目标值。在接下来的内容中,我们将详细介绍线性回归方程算法的原理、实现步骤以及其在实践中的应用,并如何去优化对应的参数找到问题的最优解。通过对这些内容的了解,读者将能够掌握线性回归方程算法的基本知识和技能,为进一步学习和应用机器学习算法打下坚实的基础。原创 2024-05-09 22:21:22 · 5910 阅读 · 1 评论 -
机器学习入门级教程
机器学习(Machine Learning)作为人工智能(Artificial Intelligence, AI)的一个重要分支,近年来在科学研究、工业应用以及日常生活中都扮演着越来越重要的角色。其核心是让计算机系统能够从经验中自动学习和改进,而无需进行明确的编程。本文是本人根据对机器学习的学习理解,总结归纳了关于机器学习的一些前言性内容,并且博主在博客创建了机器学习部分分类专栏,归纳了许多算法类型的求解和API的应用,非常适合新手小白进行学习。原创 2024-05-08 21:59:30 · 972 阅读 · 1 评论