- 博客(6)
- 收藏
- 关注
RSS订阅原创 深入浅出机器学习实战（6）-基于Python工具包-SVM回归
这里是经过数据预处理之后获得数据集得分情况，可以看到，对于线性内核而言，数据预处理的影响并不大，而对于高斯内核而言，进不进行数据预处理所产生的结果会有天壤之别。因此，我们应该体会到数据预处理所蕴含的强大能量，后面我们也会有对于数据预处理的部分。从结果中可以看出，当采用不同的内核时，模型对于数据集的适用程度也是大不相同，线性内核可以达到70%，而高斯内核却只有20%。我们最后输出的结果是经过数据预处理和调参之后的结果，可以看到两者结合起来之后能使得我们的数据集得分空前高涨。SVM到这里就结束了。
2023-09-11 17:03:24
77
原创 深入浅出机器学习实战（5）-基于Python工具包的使用-SVM2
为了方便实现可视化，我们这里只截取酒数据集中的前两个特征 ，从结果图中我们可以看到SVM的不同内核在分类结果上出现的差异以及决策边界的划分。此外我们还通过使用交叉验证的方法，查看了使用不同的SVM内核时对于整个数据集的分类效果。从结果中可以看出，使用高斯核的SVM分类的准确率要高于其他几种内核。从评分结果中可以看出当参数gamma越小的时候分类的准确率也越高，分类效果图中表示出当gamma越小时，决策边界就会越平滑，分类效果就越好。首先我们使用常用的酒的数据集，来简单使用一下SVM的分类方法。
2023-09-06 10:48:41
82
1
原创 深入浅出机器学习实战（4）-基于Python工具包的使用-SVM1
上图是使用高斯内核得到的分类结果，可以看出与线性内核的结果比较而言，高斯内核的决策边界是一条曲线， 它在努力地将分裂结果包围起来，形成一个封闭区域；高斯内核与线性内核采用了相同的决策点，这说明两者在原理上是相近的。上图是使用线性内核时出现的分类结果，可以看到分类的效果还是挺好的。清楚的分出了决策边界点。今天向大家展示一下支持向量机（SVM）的分类与回归使用。
2023-09-06 09:56:22
67
1
原创 深入浅出机器学习实战（3）-基于Python工具包的使用-线性回归
上面这张图得到的回归直线中，对于数据集中的十个特征分别对应的系数尺度大小，从图中可以看出当alpha=0.1时，岭回归的系数尺度与线性回归系数尺度基本相近。对于机器学习中的线性回归，有多种实现的方式，这里第一段代码是日常中我们最常用的线性回归方式——最小二乘法线性回归，相信大家还对数学中回归直线有一定印象，下面我们一起来看看Python的实现吧！从结果中可以看出线性回归与岭回归还是有一些区别的，但不知为何使用这个数据集得出的线性回归与岭回归结果并没有太大的差别，在某些情况下，岭回归是不如线性回归的。
2023-09-03 15:31:41
86
原创 深入浅出机器学习实战（2）-基于Python工具包的使用-KNN回归分析
这是书中使用KNN对于一个回归问题的解决实例，这里直接把代码粘贴到下面，希望对于各位学习机器学习有所帮助。
2023-09-02 21:31:11
54
原创 深入浅出机器学习实战（1）-基于python工具包的使用-KNN分类器
准备入门机器学习，看了一些书，这里找了一些实战案例更加深入了解机器学习。下面是一个使用自己建造的数据集，来尝试一下机器学习中KNN算法的二分类问题。
2023-08-25 11:14:03
28
1
空空如也
python中QFileDialog
2024-01-22
TA创建的收藏夹 TA关注的收藏夹
TA关注的人