- 博客(8)
- 收藏
- 关注
原创 主成分分析
主成分分析(PCA)作为一种常用的降维技术,通过线性变换将高维数据映射到低维空间,同时保留原始数据的主要信息。PCA的目标是找到一个新的坐标系,使得数据在新坐标系下的协方差矩阵尽可能对角化,即不同特征之间的相关性尽可能小。PCA 是一种强大的降维技术,可以有效地减少数据维度,同时保留数据的主要信息。PCA的核心思想是找到数据中方差最大的方向,即数据变化最显著的方向。选择主成分: 根据特征值的大小,选择前 k 个最大的特征值对应的特征向量作为主成分,其中 k 是目标维度。消除特征之间的相关性,提高模型效率。
2024-06-18 16:20:46
340
原创 机器学习——线性SVM实现鸢尾花分类
支持向量机(SVM)是一种强大的机器学习算法,尤其适用于具有明显类别间隔的数据集。核函数的选择依赖于数据的线性可分性,线性核适用于线性问题,而非线性核适用于复杂的数据结构。线性支持向量机(Linear Support Vector Machine,简称线性SVM)是一种常见的机器学习算法,主要用于二分类和多分类问题。其目标是找到一个最优的超平面,将不同类别的样本分隔开,并最大化两个类别之间的间隔。在支持向量机(SVM)算法中,支持向量是指被划分为不同类别的样本中,离分类超平面最近的一些点。
2024-06-11 14:28:32
321
原创 机器学习之逻辑回归
公式如下: \[ \ell(\theta) = \frac{1}{m} \sum_{i=1}^{m} [y_i \log(h(x_i)) + (1 - y_i) \log(1 - h(x_i))] \] ####对数似然函数代码。逻辑回归的核心思想是通过一个特定的函数,称为"逻辑函数"或"sigmoid函数",来建立分类模型。参数更新公式 \[ \theta_j := \theta_j + \alpha \frac{1}{m} \sum_{i=1}^{m} (y_i - h(x_i)) x_{ij} \]
2024-05-29 14:00:35
1450
原创 贝叶斯分类
朴素贝叶斯(Naive Bayes)是一种简单但有效的概率分类器,基于贝叶斯定理。由于假设特征之间相互独立,它被称为“朴素”。虽然这种假设在实际情况中通常不成立,但朴素贝叶斯分类器在文本分类和垃圾邮件过滤等领域表现优异。
2024-05-14 17:48:54
1378
2
原创 决策树 机器学习
在示例中,两种算法可能会选择相同的分裂特征,但树结构和属性选择方法会有所不同。plot_tree(cart_model, filled=True, rounded=True, feature_names=['游戏时长', '成绩及格'], class_names=['不及格', '及格'])plot_tree(id3_model, filled=True, rounded=True, feature_names=['游戏时长', '成绩及格'], class_names=['不及格', '及格'])
2024-04-29 22:26:40
279
1
原创 机器学习的模型评估
在机器学习中,评估分类模型通常涉及多个指标,包括准确率、召回率、F1分数以及ROC和PR曲线等。以下是如何计算这些指标以及如何生成ROC和PR曲线的指导。分类模型评估指标准确率(Accuracy):模型正确预测的比例。召回率(Recall):在所有正类中,模型正确预测的比例。精确率(Precision):在所有模型预测为正的样本中,正确预测的比例。F1分数:精确率和召回率的调和平均数。这些指标可以通过scikit-learn库的metrics模块计算。
2024-04-15 17:44:48
1550
1
原创 如何使用k近邻算法解决约会问题
实验环境 PyCharm,Python3有句古话叫做 ”近朱者赤近墨者黑“ ,这差不多就是k-近邻算法的中文描述。
2024-04-01 20:46:49
430
原创 Anaconda安装和配置环境及PyCharm集成指南
为了方便开发者进行Python相关项目的开发和管理,Anaconda成为了一个备受推崇的工具,它提供了一个完整的Python生态系统,包括环境管理、软件包安装等功能。Anaconda是Python数据科学、机器学习和科学计算的首选工具之一,而PyCharm作为一款强大的集成开发环境(IDE),与Anaconda的结合可以提升开发效率。本文将详细介绍Anaconda的安装、环境配置过程,以及如何将Anaconda环境与PyCharm进行集成,帮助读者快速搭建Python开发环境。
2024-03-19 10:16:16
395
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