- 博客(9)
- 收藏
- 关注
RSS订阅原创 机器学习----PCA
这里对PCA算法做一个总结。作为一个非监督学习的降维方法，它只需要特征值分解，就可以对数据进行压缩，去噪。因此在实际场景应用很广泛。为了克服PCA的一些缺点，出现了很多PCA的变种，比如为解决非线性降维的KPCA，还有解决内存限制的增量PCA方法Incremental PCA，以及解决稀疏数据降维的PCA方法Sparse PCA等。PCA算法的主要优点有：1）仅仅需要以方差衡量信息量，不受数据集以外的因素影响。2）各主成分之间正交，可消除原始数据成分间的相互影响的因素。
2023-12-31 12:30:59
614
1
原创 机器学习----SVM
支持向量机是一种二分类模型，其基本模型定义为特征空间上的间隔最大的线性分类器，其学习策略便是，最终可转化为一个的求解。支持向量机的学习算法是求解凸二次规划的最优化算法。基础的SVM算法是一个，至于多分类任务，可以通过多次使用SVM进行解决。在线性可分时，在原空间寻找两类样本的。在线性不可分时，加入并通过使用将低维度输入空间的样本映射到高维度空间使其变为线性可分，这样就可以在该特征空间中寻找最优分类超平面。支持向量：离分隔超平面最近的那些点。
2023-12-18 21:53:27
1128
1
原创 机器学习--Logistic回归
Logistic模型优缺点：优点：（1）训练速度较快，分类的时候，计算量仅仅只和特征的数目相关；（2）简单易理解，模型的可解释性非常好，从特征的权重可以看到不同的特征对最后结果的影响；（3）适合二分类问题，不需要缩放输入特征；（4）内存资源占用小，因为只需要存储各个维度的特征值；缺点：（1）不能用Logistic回归去解决非线性问题，因为Logistic的决策面试线性的；（2）对多重共线性数据较为敏感；（3）很难处理数据不平衡的问题；
2023-12-04 21:54:16
1231
原创 机器学习--朴素贝叶斯实现垃圾邮件分类
1）朴素贝叶斯模型发源于古典数学理论，有稳定的分类效率。2）对小规模的数据表现很好，能个处理多分类任务，适合增量式训练，尤其是数据量超出内存时，我们可以一批批的去增量训练。3）对缺失数据不太敏感，算法也比较简单，常用于文本分类。1） 理论上，朴素贝叶斯模型与其他分类方法相比具有最小的误差率。但是实际上并非总是如此，这是因为朴素贝叶斯模型假设属性之间相互独立，这个假设在实际应用中往往是不成立的，在属性个数比较多或者属性之间相关性较大时，分类效果不好。而在属性相关性较小时，朴素贝叶斯性能最为良好。
2023-11-20 17:30:37
1811
1
原创 数字图像处理技术
（3）M连通：q在集合N4(p)或者ND(p)中，并且N4(P)与N4(q)的交集为空（没有值V的像素)则称这两个像素是m连通的，即4连通和D连通的混合连通。2、D邻域（对角线上）：像素p(x,y)的D邻域是：ND(p)=(x+1,y+1);1、4邻域（上下左右）：像素p(x,y)的4邻域是: N4(p)=(x+1,y);（1）4连通：q在集合N4(p)中，则称这两个像素是4连通的。3、8邻域（4邻域的点 + D邻域的点）N8(p)=N4(p)+ND(p)4、连通性：4连通、8连通、m连通（混合）
2023-11-14 20:52:58
245
原创 机器学习----决策树
决策树定义决策树定义决策树是一种树形结构，其中每个内部节点表示一个属性上的测试，每个分支代表一个测试输出，每个叶节点代表一种类别。决策树是一种十分常用的分类回归方法。决策树是附加概率结果的一个树状的决策图，是直观的运用统计概率分析的图法。机器学习中决策树是一个预测模型，它表示对象属性和对象值之间的一种映射，树中的，其。树的。决策树学习通常包括 3 个步骤特征选择、决策树的生成和剪枝处理。特征选择熵熵是表示随机变量不确定性的度量Ent(D)的值越小，则D的纯度越高。
2023-11-06 22:15:47
114
原创 VSCode下载（小白教学）+Anaconda下载安装
C://ProgramData//Anaconda3//envs（根据自己Anaconda下载安装的路径适当修改）注：User版本安装在当前计算机帐户目录,也就是计算机如果使用另一个帐号登陆将无法使用别人安装的vscode (一般来说不会更改个人计算机的账户）环境 location 未在 \Anaconda3\env下，而在C盘下 \.conda\envs。system版本可以安装在非用户目录,例如C盘根目录,任何帐户都可以使用.此文件通常存在于C:\User\用户名\.condarc下。
2023-09-25 22:15:40
494
1
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