- 博客(3)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 菜鸟学《机器学习实战》（三）——朴素贝叶斯
今天我们来看看另外一种分类方式——基于概率论的朴素贝叶斯1、补充概率论知识——条件概率假装所有人概率论都很6，条件概率什么的简单。重点是一个叫“先验概率”的，用正常人听得懂的话说就是，以往的数据都可以参考，可以用和这个数据集里不同点的“相似”程度来分类。这里的“相似”和之前的k均值、决策树不一样。k均值是“相差”小，决策树是根据不同的特征递归下降分类判断。而贝叶斯的“相似”指的是根据用“贝叶斯统计...
2018-05-28 19:18:27
354
原创 菜鸟学《机器学习实战》（二）——决策树
决策树：和k近邻算法一样，也是用来做分类用的。简单地说就是将一个未知分类的事务依次通过多个判断条件，根据符不符合条件来进行分类，递归下降，直至判断出确定类型。PS.偷一张书上邮件分类的图嘻嘻....决策树特性（本菜鸡认为的重点）：优点：复杂度不高，易于理解，中间值缺失不敏感（就是缺几个值也问题不大）缺点：可能过度匹配使用范围：数值型、标称型。1、知识补充——信息增益 根据香农大佬钦定的基本法...
2018-05-27 20:40:45
351
原创 菜鸟学《机器学习实战》（一）——k近邻算法
k近邻算法：采用测量不同特征值之间的距离方法进行分类。优点：精度高，对异常不敏感，无输入假定；缺点：复杂度高；适用范围：数值型，标称型。正常人听得懂的算法原理：取出样本数据集中前k个和新数据“最像”的集合，并用这集合中出现最多次数的分类来作为新数据的分类。“最像”指的是：数据的特征属性最相似（最近邻）。...
2018-05-27 15:22:17
234
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人