![](https://img-blog.csdnimg.cn/72ad7463577c4d29a7efdcfb85628aed.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
机器学习
文章平均质量分 89
学习笔记
玳宸
这个作者很懒,什么都没留下…
展开
-
机器学习实战教程(六):线性回归
文章目录什么是回归?一、用线性回归找到最佳拟合直线二、局部加权线性回归三、示例:预测鲍鱼的年龄四、缩减系数来“理解”数据1、岭回归2、lasso3、前向逐步回归五、示例:预测乐高玩具套装的价格1、获取数据2、建立模型六、总结什么是回归?回归的目的是预测数值型的目标值。最直接的办法是依据输入写出一个目标值的计算公式。假如你想预测小姐姐男友汽车的功率,可能会这么计算:HorsePower = 0.0015 * annualSalary - 0.99 * hoursListeningToPublicRadi原创 2021-11-05 18:37:49 · 1165 阅读 · 0 评论 -
机器学习实战教程(五):支持向量机
文章目录一、支持向量机原理之线性SVM1、什么是SVM?2、线性SVM1)数学建模2)SMO算法3、编程求解线性SVM1)可视化数据集2)简化版SMO算法二、SMO算法优化1、启发选择方式2、完整版SMO算法3、编写代码三、非线性SVM1、核技巧2、非线性数据处理3、核技巧的实现4、编程实现非线性SVM四、总结一、支持向量机原理之线性SVM1、什么是SVM?SVM的英文全称是Support Vector Machines,我们叫它支持向量机。支持向量机是我们用于分类的一种算法。让我们以一个小故事的形式原创 2021-11-03 14:09:08 · 398 阅读 · 0 评论 -
机器学习实战教程(四):Logistic回归
文章目录一、基于Logistic回归和Sigmoid函数的分类二、基于最优化方法的最佳回归系数确定1、Python3实战2、算法改进 —— 随机梯度上升算法1)随机梯度上升算法2)回归系数与迭代次数的关系三、示例:从疝气病症预测病马的死亡率1、实战背景2、准备数据3、使用Python构建Logistic回归分类器四、总结一、基于Logistic回归和Sigmoid函数的分类Logistic回归是众多分类算法中的一员。通常,Logistic回归用于二分类问题,例如预测明天是否会下雨。当然它也可以用于多分类原创 2021-11-01 17:00:05 · 579 阅读 · 0 评论 -
机器学习实战教程(三):基于概率论的分类方法——朴素贝叶斯
文章目录一、朴素贝叶斯理论1、贝叶斯决策理论2、条件概率3、全概率公式4、贝叶斯推断5、朴素贝叶斯推断二、示例:言论过滤器三、朴素贝叶斯改进之拉普拉斯平滑四、示例:朴素贝叶斯之过滤垃圾邮件1、收集数据2、准备数据五、总结一、朴素贝叶斯理论朴素贝叶斯算法是有监督的学习算法,解决的是分类问题,如客户是否流失、是否值得投资、信用等级评定等多分类问题。该算法的优点在于简单易懂、学习效率高、在某些领域的分类问题中能够与决策树、神经网络相媲美。但由于该算法以自变量之间的独立(条件特征独立)性和连续变量的正态性假设为原创 2021-10-31 19:06:57 · 626 阅读 · 0 评论 -
机器学习实战教程(二):决策树
文章目录一、决策树的构造1、决策树的定义2、决策树的构建的准备工作1)特征选择2)决策树的生成和修剪3、决策树的构建1)ID3算法2)编写代码构建决策树二、在python中使用Matplotlib注解绘制树形图三、测试和存储分类器1、测试算法:使用决策树执行分类2、使用算法:决策树的存储四、示例:使用决策树预测隐形眼镜类型五、总结一、决策树的构造1、决策树的定义决策树是什么?决策树(decision tree)是一种基本的分类与回归方法。举个通俗易懂的例子,如下图所示的流程图就是一个决策树,长方形代表原创 2021-10-30 13:37:14 · 739 阅读 · 0 评论 -
机器学习实战教程(一):K-近邻算法
1、k-近邻算法(kNN)概述1、k-近邻法简介 k近邻法(k-nearest neighbor, k-NN)是1967年由Cover T和Hart P提出的一种基本分类与回归方法。它的工作原理是:存在一个样本数据集合,也称作为训练样本集,并且样本集中每个数据都存在标签,即我们知道样本集中每一个数据与所属分类的对应关系。输入没有标签的新数据后,将新的数据的每个特征与样本集中数据对应的特征进行比较,然后算法提取样本最相似数据(最近邻)的分类标签。一般来说,我们只选择样本数据集中前k个最相似的数据,这就是原创 2021-10-28 20:38:47 · 307 阅读 · 0 评论 -
机器学习、督促学习、无督促学习概念
什么是机器学习?提供了机器学习的两种定义。亚瑟·塞缪尔(Arthur Samuel)将其描述为:“让计算机无需明确编程即可学习的研究领域。” 这是一个较旧的非正式定义。Tom Mitchell 提供了一个更现代的定义:“如果计算机程序在 T 中的任务上的性能(以 P 衡量)随着经验 E 提高,则称该计算机程序从经验 E 中学习某些类别的任务 T 和性能度量 P。 ”例子:下棋。E = 玩多场跳棋的经验T = 下棋的任务。P = 程序赢得下一场比赛的概率。一般来说,任何机器学习问题都可以归为两大原创 2021-10-16 15:40:54 · 206 阅读 · 0 评论