![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
机器学习
文章平均质量分 63
抹茶生活
硕士在读,研究方向:人工智能、医学图像处理、联邦学习。
展开
-
机器学习分类模型
(Decision Tree)是一类常见的机器学习方法,可应用于分类与回归任务,这里主要讨论分类决策树。决策树是基于树结构来进行决策的。下图是使用决策树来决定是否见对象,可以把决策树看作根据要回答的一系列问题,做出决策来进行数据分类。尽管名为“回归”,但逻辑回归实际上是一种分类算法,用于预测二分类或多分类问题。K最近邻(KNN)分类是一种基于实例的学习方法,它使用最接近的训练样本的类别标签来预测新数据点的标签。神经网络分类是机器学习和深度学习中的一个重要应用,特别是在图像识别、文本分类和语音识别等领域。原创 2023-12-29 20:36:39 · 502 阅读 · 0 评论 -
机器学习快速入门(二)
1.根据机器学习应用场景和学习方式的不同,可以简单的分为三类:无监督学习、半监督学习、和有监督学习。2,无监督学习不需要提前知道数据集的类别标签。无监督学习算法的使用场景通常为聚类和降维,如使用K-均值聚类、系统聚类、密度聚类等算法进行数据聚类。使用主成分分析、流行降维等算法减少数据的特征数量。3.半监督学习是利用极少的有标签数据和大量的无标签数据进行学习,通过学习得到的对经验对无标签的测试数据进行预测。4.有监督学习:分类,回归。5.深度学习和传统的机器学习最大的特点是端到端的学习,在进行原创 2022-02-17 19:55:08 · 536 阅读 · 0 评论 -
机器学习快速入门(一)
1.在机器学习算法中,按照学习方式大致可以分为四大类,分别是监督学习、半监督学习、无监督学习和强化学习。2.监督学习是利用一组带标签的数据集,学习从输入到输出关系的映射关系f,然后将学习到的映射关系f应用到未知的数据上,用于预测未知数据的类别或数值。常见的有分类问题:预测的标签是离散的类别和回归问题:预测的标签是连续数值类型。3,基于监督学习有这么一句话:数据和特征决定了机器学习的上限,模型和算法只是逼近这个上限。4.半监督学习是输入的数据有少量的标签,进行学习,学习的目的就是在这些未标记的数据原创 2022-02-01 23:57:13 · 2142 阅读 · 0 评论