- 博客(7)
- 收藏
- 关注
RSS订阅原创 掌握Logistic回归
如下图，它属于机器学习 – 监督学习 – 分类 – 逻辑回归，主要解决二分类问题，用来表示某件事情发生的可能性。关于二分类问题又是什么呢？比如： Logistic回归分析也用于研究影响关系，即X对于Y的影响情况。Y为定类数据，X可以是定量数据或定类数据。Logistic回归和线性回归最大的区别在于，Y的数据类型。线性回归分析的因变量Y属于定量数据，而Logistic回归分析的因变量Y属于分类数据。监督学习有2个主要的任务：回归：预测连续的、具体的数值。分类：对各种事物分门别类，用于离散型预测。 逻辑回归的公
2022-12-07 22:37:23
194
1
原创 机器学习-朴素贝叶斯-垃圾邮件
属于监督学习的生成模型，实现简单，并有坚实的数学理论（即贝叶斯定理）作为支撑。分类标准：当 P（垃圾邮件|文字内容）> P（正常邮件|文字内容）时，我们认为该邮件为垃圾邮件，但是单凭单个词而做出判断误差肯定相当大，因此我们可以将所有的词一起进行联合判断。3：结果展示（结果为：数据集中有训练集和测试集，所以当我们对训练结果进行测试时，可以发现测试结果很高为98%，所以可以实现大部分的垃圾邮件的检索。2：理解：贝叶斯分类是一类分类算法的总称，这类算法均以贝叶斯定理为基础，故统称为贝叶斯分类。
2022-11-27 22:59:49
1240
1
原创 决策树——剪枝处理
下面来看看是否要用脐部进行划分， 划分前：所有样本都在根节点，把该结点标记为叶结点，其类别标记为训练集中样本数量最多的类别，因此标记为 好瓜，然后用验证集对其性能评估，可以看出样本{4，5，8}被正确分类，其他被错误分类，因此精度为43.9%。接着考察结点 5，同样的操作，把以其为根节点的子树替换为叶结点，替换后的叶结点包含编号为{6,7,15}的训练样本，根据“多数原则”把该叶结点标记为“好瓜”，测试的决策树精度认仍为57.1%，所以不进行剪枝。因此，用 脐部 进行划分。
2022-11-22 22:50:31
2450
原创 决策树的创建与使用决策树进行分类
假设在我们不断细分的过程中，发现所有的特征值都用完了所以需要返回当前类别，这个类别就用分到这个树枝的所有类别中比例最大的来代替，即假如分到该树枝的类别中有5个yes，2个no，最后我们就把它作为yes返回。表示第i个子节点的数据量，N表示父节点数据量，说白了， 其实是分裂节点的熵，如果节点的数据链越接近，越大，如果子节点越大，越大，而就会越小，能够降低节点分裂时选择子节点多的分裂属性的倾向性。先建立一个数据集，里面每行数据代表一个样本，每个样本的前三个数据代表三个特征，第四个数据代表样本的分类。
2022-11-13 22:28:42
1651
原创 KNN算法
KNN算法是一个基本的分类和回归的算法，它是监督学习中分类方法的一种。它的思想就是假如一个未知颜色的点需要我们判断它的颜色，那knn算法将会计算推测与这个点相距最近的颜色类别是什么，还有一种情况是这个未知点处于一个中心位置，那knn算法通常采用投票法来进行类别推测，即找出样本点中类别出现次数最多的那个类别。输入：训练数据集T={（x1,y1),(x2,y2)......(xn,yn)},xi为实例的特征向量，yi={c1,c2,...ck}为实例类别。输出：实例x所属的类别y。（3)选择最近K个已知实例。
2022-11-06 15:44:53
642
1
原创 PR曲线的绘制
P-R曲线就是关于精确率precision和召回率recall的曲线，recall为横坐标，precision 为纵坐标。T表示正确预测；F表示错误预测；N表示预测为负样本；P表示预测为正样本
2022-11-06 15:11:10
4864
原创 机器学习环境安装
安装后界面如下所示。跟着引导选择next即可。1.安装Anaconda：建立Python应用环境。，根据当前你的机器操作系统配置选择合适的版本。2.Visual Studio Code安装。2.2 安装Python扩展。1.1Anaconda下载。1.2Anaconda安装。1.3Anaconda安装。2.1 VS Code安装。在cmd中输入：python。
2022-11-06 14:39:15
394
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