- 博客(8)
- 收藏
- 关注
RSS订阅原创 机器学习——主成分分析（PCA）
PCA 是一种无监督线性降维方法，它将原始高维特征空间的数据，通过线性变换映射到低维空间，新的维度（主成分）是原始特征的线性组合，且各主成分间正交（互不相关），按对数据方差的解释能力排序，第一主成分方差最大，后续主成分方差依次递减。PCA 以 “提取主成分、降维保留关键信息” 为核心，通过标准化、协方差矩阵分解、投影等步骤，实现高维数据的高效处理。结合人脸数据集的实践，从原理推导到代码实现，清晰展现其在简化数据、保留关键特征上的作用。
2025-06-07 00:09:41
706
原创 支持向量机SVM
支持向量机是一种强大且实用的分类算法，尤其在文本分类中表现出色。通过本项目，我们不仅掌握了 SVM 的理论基础，还通过实际构建了垃圾邮件检测系统。
2025-06-02 20:38:28
1005
原创 机器学习——逻辑回归
逻辑回归以其简洁性、可解释性和高效性，成为分类问题的首选算法之一。尽管存在线性假设的局限性，但通过特征工程、正则化和适当的扩展，它仍能在许多场景中表现出色。对于初学者而言，逻辑回归是理解分类算法和概率建模的理想起点；对于实际应用，它也是快速验证假设和构建基准模型的有力工具。
2025-05-19 21:46:13
416
原创 贝叶斯分类器
贝叶斯分类基于贝叶斯定理，它的核心思想是通过已有数据来估计不同类别出现的概率。简单来说，就是在已知某些特征的情况下，判断一个样本属于某个类别的可能性有多大。贝叶斯定理的公式为：。在这个公式里是后验概率，也就是我们要求的在观测到特征 X 时，样本属于类别 C 的概率；是似然概率，表示在类别 C 的条件下，出现特征 X 的概率；是先验概率，即类别 C 本身出现的概率；是证据因子，是一个归一化常数，确保后验概率的总和为 1。在实际应用中，计算。
2025-05-05 19:37:18
241
原创 机器学习——决策树的创建
决策树是一种基于树结构进行决策的机器学习模型和方法，以下是其详细定义：结构：决策树由节点和边组成，看起来像一棵倒置的树，根节点在顶部，叶节点在底部。节点：包括内部节点和叶节点。内部节点表示一个特征上的测试，例如在一个判断水果是苹果 还是橙子的决策树中，可能有一个内部节点是 “颜色”，用于测试水果的颜色特征。叶节点则代 表类别或值，即决策的结果，比如 “苹果” 或 “橙子” 就是叶节点。边：连接节点，代表特征测试的不同结果。
2025-04-20 16:10:48
783
原创 机器学习模型评估
场景选择ROC优先：样本均衡、追求整体性能PR优先：正样本稀缺、关注高风险决策诊断技巧PR曲线"波浪形" → 数据噪声ROC拐点 → 潜在最佳阈值性能优化结合F1-score选择阈值多模型集成提升阈值稳定性。
2025-04-06 16:20:32
987
原创 KNN算法改进约会网站的配对效果
KNN（K-Nearest Neighbors，K 近邻算法）是一种 基于距离的分类算法，其基本思想是：计算 新数据点 到 已有数据点 的距离。找到距离最近的 K 个邻居。投票决定类别（K 个邻居中占比最高的类别即为预测类别）。KNN 的特点：简单直观：只需计算距离并分类，无需训练复杂的模型。懒惰学习：数据不会提前建模，而是在预测时计算最近邻居。计算量较大：预测时需要计算所有数据点的距离。对 K 值敏感：K 选得太小会导致过拟合，太大会导致欠拟合。
2025-03-23 20:20:32
988
原创 Anaconda的安装
Anaconda是专为数据科学设计的Python发行版，集成了Conda包管理器、Jupyter Notebook等工具，支持跨平台环境隔离，避免依赖冲突。强大的插件生态（如Python、Java、Git集成）跨平台支持（Windows/macOS/Linux）一直点击next，直到这里选择All Users。点击环境变量，在系统变量中找到Path。扩展搜索chinese点击安装。二.Anaconda安装步骤。2.安装anaconda。选择安装路径（默认c盘）文件，按提示完成安装。windows安装步骤。
2025-03-08 22:20:15
237
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人