- 博客(8)
- 收藏
- 关注
RSS订阅原创 机器学习——PCA
主成分分析（PCA）是一种有效的降维技术，可用于人脸识别。通过降低数据维度，可以加快计算速度并提高识别准确率。选择适当的降维维度和训练样本数量对于人脸识别非常重要。在实际应用中，需要根据具体问题来选择合适的参数。识别准确率随着降维维度的增加而提高，但也受到训练样本数量的限制。综合考虑降维和训练数据的数量是优化人脸识别性能的关键。总的来说，本实验通过实际代码演示了如何使用PCA进行人脸识别，并探讨了降维对识别性能的影响。这对于理解和应用人脸识别技术有很大的帮助。
2024-01-01 16:11:14
1007
原创 机器学习-支持向量机
支持向量机是一种用于分类和回归问题的机器学习算法。它的主要目标是找到一个决策边界或超平面，将不同类别的数据点分隔开，同时最大化数据点到这个边界的距离，这个距离被称为"间隔"。SVM的核心思想是找到能够将数据分成两个类别的超平面，并使得这个超平面离每个类别的最近数据点尽可能远，从而提高分类的健壮性。这些离超平面最近的数据点被称为"支持向量"，因为它们对于定义超平面的位置至关重要。SVM 算法即寻找一个分类器使得超平面和最近的数 据点之间的分类边缘（超平面和最近的数据点之间的 间隔被称为分类边缘）最大，对于 S
2023-12-18 19:07:30
1084
1
原创 机器学习-Logistic回归
这次实验是关于Logistic回归模型的学习和实现，我通过编写Python代码来创建一个Logistic回归模型，用于解决二分类问题，并使用一个简单的数据集进行训练和测试。总的来说，这次实验让我更深入地理解了Logistic回归模型的原理和实现方式。我学会了如何训练一个简单的分类模型，并对超参数的选择有了一些了解。这是一个很好的起点，我期待能够在未来的学习中进一步探索机器学习和深度学习领域。
2023-12-04 19:48:36
926
原创 朴素贝叶斯分类器实现垃圾邮件检测
1.贝叶斯公式介绍：贝叶斯理论指的是，根据一个已发生事件的概率，计算另一个事件的发生概率。贝叶斯理论从数学上的表示可以写成这样：对于贝叶斯公式我们可以有如下的理解在使用朴素贝叶斯分类器进行垃圾邮件检测时，一般会将每封邮件表示为一个特征向量，并且使用这些特征向量来训练分类器。常见的朴素贝叶斯分类器包括多项式朴素贝叶斯（Multinomial Naive Bayes）和高斯朴素贝叶斯（Gaussian Naive Bayes）等。
2023-11-20 16:45:59
170
1
原创 机器学习——决策树
什么是决策树？（decision tree）是一种基本的分类与回归方法。决策树模型呈树形结构，在分类问题中，表示基于特征对实例进行分类的过程。它可以认为是if-then规则的集合，也可以认为是定义在特征空间与类空间上的条件概率分布。分类决策树模型是一种描述对实例进行分类的树形结构。决策树由结点和有向边组成。结点有两种类型：内部结点和叶节点。内部结点表示一个特征或属性，叶节点表示一个类。
2023-11-04 23:04:59
90
原创 分类模型性能评估
分类模型是机器学习的一种类型，它的任务是通过学习样本的特征来预测样本的类别。分类模型通常用于那些输出变量是分类或者离散值的任务，例如，判断一封邮件是垃圾邮件还是非垃圾邮件，或者预测一个患者是否患有某种疾病。在训练过程中，分类模型会从标记好的训练数据中学习到如何判断一个样本属于哪个类别，然后在面对新的数据时，根据学习到的知识进行预测。为什么要评估分类模型呢？评估分类模型的性能非常重要，因为它能帮助我们了解模型的表现如何，以及模型在实际应用中的可能表现。
2023-10-21 22:55:21
130
原创 KNN算法
K最近邻(k-Nearest Neighbor，KNN)分类算法，是一个理论上比较成熟的方法，也是最简单的机器学习算法之一。该方法的思路是：在特征空间中，如果一个样本附近的k个最近(即特征空间中最邻近)样本的大多数属于某一个类别，则该样本也属于这个类别。KNN算法是一种基于实例的学习算法,其基本思想是:如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别,则该样本也属于这个类别。其中k通常是不大于20的整数。
2023-10-09 19:03:36
123
1
原创 机器学习环境搭建（vscode+anaconda的安装+conda虚拟环境的激活）
由于anaconda和miniconda的服务器都在国外，所以下载速度会比较慢推荐大家使用镜像源进行下载，这里使用清华的conda镜像。
2023-09-25 21:48:39
239
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