好的收到OK-CSDN博客

原创机器学习——主成分分析PCA（Principal Component Analysis）

PCA（Principal Component Analysis，主成分分析）是一种无监督学习的降维方法。它基于一个简单的前提：一个高维数据集可能包含许多冗余或相关的特征，而这些特征可能并不都包含有价值的信息。PCA的目标是通过线性变换找到数据的主要成分，即数据的最大方差方向，并将数据投影到这些主要成分上，从而在保持数据的主要特性的同时降低数据的维度。通过本次实验，我们验证了PCA在人脸识别特征降维中的有效性。

2024-06-24 15:37:11 915

原创机器学习——支持向量机（Support Vector Machine）

SVM的定义如下：支持向量机（Support Vector Machine, SVM）是一类按监督学习（supervised learning）方式对数据进行二元分类的广义线性分类器（generalized linear classifier），其决策边界是对学习样本求解的最大边距超平面（maximum-margin hyperplane）。下面举一个二维数据的例子，在以下数据点中，对于颜色不同的点，我们可以找一条线将二者分开，以实现分类的目的。

2024-06-11 06:48:34 693

原创机器学习——逻辑回归（Logistic Regression）

这里，np.ones((X_train.shape[0], 1)) 创建了一个形状为 (n_samples, 1) 的数组，其中 n_samples 是 X_train 的样本数量，所有元素的值都是1。在逻辑回归中，这个函数的主要目的是将线性模型的输出转换为一个介于0和1之间的概率值，这样我们就可以用这个概率值来判断某个样本属于正类（例如，标签为1）的。在逻辑回归中，当我们已经有了线性回归模型的基础后，为了将模型的输出转换为概率值（即预测某个事件发生的可能性），我们引入了sigmoid函数。

2024-05-28 18:02:08 673

原创机器学习——朴素贝叶斯（Naive Bayes）

PA∣BPB∣A⋅PAPBPA∣BPBPB∣A⋅PAPA∣B\ P(A|B)PA∣B表示在事件B\ BB发生的条件下，事件A\ AA发生的概率；PB∣A\ P(B|A)PB∣A表示在事件A\ AA发生的条件下，事件B\ BB发生的概率；PA\ P(A)PA和PB\ P(B)PB分别表示事件A\ AA和事件B\ BB单独发生的概率。

2024-05-13 11:28:26 2147

原创机器学习——决策树（Decision Tree)

本文详细介绍了决策树的理论基础，包括最优属性选择的三种方法，并通过Python代码展示了如何使用scikit-learn库创建决策树、评估模型性能并进行可视化。在实际应用中，我们可以根据数据的特点和需求选择合适的最优属性选择方法。这次实验也让我对决策树有了更深的理解和看法，重点就是掌握决策树的决策理论以及最优属性的选择方法，实验过程中我也遇到了很多困难，比如对Python不熟悉对scikit-learn库中的函数不熟悉。最后，希望在之后的机器学习之旅我能更上一层楼，期待下一次机器学习算法实验。

2024-04-29 12:14:03 812

原创机器学习——分类模型评估、ROC曲线、PR曲线

ROC曲线（受试者工作特征曲线）和PR曲线（精确率-召回率曲线）是两种用于评估分类模型性能的重要工具。ROC曲线以真正例率（TPR，即召回率）为纵轴，假正例率（FPR）为横轴，通过不同阈值下的TPR和FPR绘制而成。PR曲线则以召回率为横轴，精确率为纵轴，同样通过不同阈值下的召回率和精确率绘制。导入数据后，就需要选择分类器来进行训练，这里我选择了以下几个分类模型。逻辑回归（Logistic Regression）：逻辑回归是一种广义的线性回归模型，常用于处理因变量为二分类（0或1）的问题。

2024-04-16 14:09:10 1931

原创机器学习——KNN算法实战

本文主要介绍博主学习完机器学习的第一个算法——KNN之后的实验和心得，主要包括对鸢尾花数据集进行分析和运用KNN算法划分鸢尾花种类的过程。因为是第一次实验，所以是根据《机器学习实战》这本书上的代码实现过程作为参考，并没有调用sklearn库来直接运用KNN算法模型。这是第一次机器学习的实验，有很多机器学习的概念都不是很清楚，对Python也不是特别熟悉，所以整个过程还是比较困难的，但是算是自己将整个代码敲下来了，也学到了很多，希望下次实验能更加得心应手，能学到更多机器学习的知识，并且增强自己的动手实践能力。

2024-04-01 13:43:03 1848

原创 Anaconda、VS code的安装

通过Anaconda和VS Code，我们就可以进行机器学习的学习了，因为博主自己先前就配置好了Anaconda，所以很多步骤是没有截图的，但是Anaconda安装的基本步骤就是官网下载—>勾选所需选项（最好是自动添加路径）—>命令行检查是否安装完成，而VS Code 的安装就更简单了，直接官网下载然后在扩展商店配置Python环境就可以了，当然，很多环境方面的问题可以在后续的机器学习的学习过程中进行完善。Anaconda提供了丰富的数据科学库和强大的环境管理功能，而VS Code可以用来编辑代码。

2024-03-18 17:36:01 187

weixin_74340055的博客