- 博客(8)
- 收藏
- 关注
RSS订阅原创 机器学习——主成成分分析（PCA）
优点：PCA能够保留数据集的大部分信息，通过选择少量的主成分来实现数据的降维，同时尽量减少信息损失。PCA能够找到数据中的主要方向，减少特征之间的相关性，有助于提高模型的性能。PCA的计算过程相对简单直观，能够快速处理大规模数据集。降维后的主成分具有很强的可解释性，有助于理解数据的结构和关系。缺点：即使PCA能够保留大部分信息，但在降维过程中仍然会存在一定程度的信息损失，特别是在选择较少主成分时。PCA对数据中的异常值比较敏感，可能会影响降维结果。
2024-06-18 17:26:58
881
原创 机器学习——支持向量机（SVM）
优点：计算复杂性取决于向量数目而不是样本空间维数可以处理线性不可分可实现特征空间划分的最优超平面可以解决小样本情况下的机器学习问题，简化了通常的分类和回归等问题。缺点：经典的支持向量机算法只给出了二分类的算法，而在数据挖掘的实际应用中，一般要解决多分类问题，但支持向量机对于多分类问题解决效果并不理想。支持向量机算法对大规模训练样本难以实施。b。
2024-06-11 15:12:04
698
1
原创 机器学习——逻辑回归（Logistic Regression）
模型简单：Logistic回归的模型结构简单，易于理解和实现。速度快：Logistic回归的计算速度相对较快，适合处理大量数据。适应性：Logistic回归可以处理线性可分问题，对于某些场景具有较好的表现。易于更新：Logistic回归模型可以容易地更新，吸收新的数据和特征。稳定性：Logistic回归对异常值和不稳定数据具有一定的鲁棒性。减小极端情况的影响。
2024-05-28 22:22:35
624
原创 机器学习——朴素贝叶斯
实验对西瓜数据集利用朴素贝叶斯分类器进行分类，实验预测结果与正确结果无误。叶贝斯分类器通过计算给定特征下每个类别的后验概率来进行分类，具有高效、易于实现等优点。不过我只测试了一个测试集，倘若测试集庞大，定会有误差出现，这是应该改进的地方。总的来说，由于西瓜数据集特征较少且属性之间相关性较弱，朴素贝叶斯分类器能够很好地处理这种情况，表现出了较好的分类性能。通过本次实验，验证了朴素贝叶斯分类器在西瓜数据集上的有效性和可行性。
2024-05-14 15:05:34
605
2
原创 机器学习——决策树
决策树是一种基本的分类和回归方法，它通过一系列的决策规则来学习数据集中的模式和关系。在决策树中，每个内部节点表示一个特征属性的判断，每个分支代表该特征属性的一个取值，而每个叶子节点则表示一个类别标签或者回归值。简单来说就是决策树通过特征选择，选择最佳特征，将数据集分割成正确分类的子集。
2024-04-30 01:19:18
382
3
原创 机器学习——KNN算法
K-近邻（K-Nearest Neighbors，简称KNN）是一种基于实例的学习或局部逼近的分类算法。它是一种简单且易于实现的监督学习算法，常用于分类任务。通俗的讲：我们将通过KNN算法对一个东西进行分类，只需通过判断与之最相近的k个类别里出现频率最多次的，即将这个东西判定为该类别。KNN算法的主要优点包括：1. 简单、直观、易于理解。2. 无需复杂的模型训练过程，易于实现和调试。然而，KNN算法也有一些缺点： 1.计算复杂度较高，尤其是在大规模数据集上，需要遍历所有训练样本以找到最近的k个邻居。
2024-04-01 23:31:50
569
原创 Anaconda安装
4.选择安装路径（这里强烈反对安装在C盘，且安装前最好新建一个文件夹做好文件的管理分类工作，图中只是作一个样式）如下图所示（我是先前22年下载的，所以版本可能不一样，但是基本步骤是相同的）5.选择第二个选项，意思是默认跟随Anaconda使用Python版本，需要手动添加环境变量。计算机（右键）打开属性，选择高级系统设置（如果是win11系统，选项应该同下图所示）点击新建，输入下面5个环境变量，注意：路径需是你安装时的路径。6.安装需要等待一会，然后点击Next。3.选择第二个选项，点击Next。
2024-03-16 21:02:39
349
空空如也
PTA 运行超时 求帮解。。
2022-10-21
TA创建的收藏夹 TA关注的收藏夹
TA关注的人