抹茶不加茶

什么是集成学习？ 对于不同的算法，同一个问题给出的结果可能不尽相同，这时我们应该如何判断最为准确？答案是使用不同算法都进行运算，最后留一个投票环节，这时多数算法认为的结果我们...

抹茶不加茶

原理 决策树既可以解决分类问题，天然地可以解决多分类问题，也可以解决回归问题如图，当我们建立好一棵树之后，对于未知的数据，我们就可以通过这样的3次判断来确定其分类。 那么最重...

抹茶不加茶

原理 SVM是支持向量机的缩写，可用于解决分类或者回归问题。我们前面讲过逻辑回归一类的算法，其特征如下 主要是通过一个决策面/决策边界将数据分类，但是我们可能会遇到决策边界不...

抹茶不加茶

准确度陷阱 我们首先看一下这个例子 何为准确度陷阱？对于极度偏斜的数据，只使用分类准确度是远远不够的，我们很容易完全没法判断算法的好坏。 混淆矩阵（二分类问题） 精准率和召回...

抹茶不加茶

原理 逻辑回归用于解决分类问题，但是你可能会疑惑，为何名字偏偏称为回归，嘿嘿嘿，这时因为我们在逻辑回归中将连续取值结果的函数，一分为二，连续值便变成了0、1这样的离散值，这样...

抹茶不加茶

原理 前面我们学习了线性回归，顾明思议，我们拟合的结果是线性的函数，而对于有一些数据，其分布明显是属于非线性的，这时我们应该怎么办呢？ 其实我们整体上还是采用线性回归的方法，...

抹茶不加茶

原理 PCA主成分分析是一种非监督机器学习算法，主要用于数据的降维，相较于knn线性回归这两个监督学习的算法，其理论部分要稍显复杂一些，因此篇幅较长，若有不准确之处欢迎指正，...

抹茶不加茶

原理 相较于简单线性回归，多元线性回归仅仅是特征数从一变成了多，其他的基本上没有变化 注意行为样本，列为特征X矩阵的排列示意 基于多元线性回归，对某一个样本X（i）,如图多元...

抹茶不加茶

理论 线性回归算法用于解决回归问题，而前述的knn算法用于解决分类问题 目的是寻找一条直线，最大程度上拟合样本特征和样本输出标记之间的关系 样本特征只有一个时称为简单线性回归...

抹茶不加茶

上一篇博客我们从整体上初步完成了knn算法的核心，但是还有一些问题是我们必须注意和学习的 算法测试 如何去判断我们算法的准确性呢？通常我们将原始数据集分为测试集和训练集，作用...

抹茶不加茶

原理 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...