机器学习算法原理
文章平均质量分 88
哪得小师弟
这个作者很懒,什么都没留下…
展开
-
朴素贝叶斯算法
朴素贝叶斯法和贝叶斯估计是不同的。朴素贝叶斯法是基于贝叶斯定理与特征条件独立假设的分类方法。对于给定的训练数据集,首先基于特征条件独立假设学习输入/输出的联合概率分布;然后基于此模型,对给定的输入x,利用贝叶斯定理求出后验概率最大的输出y。朴素贝叶斯法实现简单,学习和预测的效率都很高,是一种常用的方法。朴素贝叶斯最重要的假设就是条件独立性假设,也就是说各个特征之间是独立分布的,所以可以求其乘积,这...原创 2018-11-09 16:15:24 · 330 阅读 · 0 评论 -
KNN分类算法
k-近邻算法概述工作原理: 存在一个样本数据集合,也称作训练样本集,并且样本集中的每个数据都存在标签,即我们知道样本集中每一数据与所属分类的对应关系。输入没有标签的新数据后,将新数据的每个特征与样本集中数据对应的特征进行比较,然后算法提取样本集中特征最相似(最近邻)的分类标签。一般来说,只选择样本数据集中前k个最相似的数据,然后选择这k个最相似数据中出现次数最多的分类作为新数据的分类。优点:...原创 2018-11-02 18:32:40 · 3533 阅读 · 0 评论 -
决策树分类算法
决策树概述决策树模型是一种树形结构,在分类问题中,表示基于特征对实例进行分类的过程。主要优点是模型具有可读性,分类速度快。学习时,利用训练数据,根据损失函数最小化的原则建立决策树模型。预测时,对新的数据,利用决策树模型进行分类。决策树学习通常包括3个步骤:特征选择、决策树的生成和决策树的修剪。主要算法有ID3算法、C4.5算法和CART算法。这篇先介绍一下前两个算法。决策树模型定义: 分类...原创 2018-11-07 15:15:20 · 1170 阅读 · 0 评论