star-light-glimmer

摘要： 一、聚类 聚类（Clustering）旨在将数据集的样本分为若干个簇，使得同一个簇内的对象彼此相似，不同簇间的对象差异较大。聚类是一种无监督学习算法，不需要预先标记数据的标签，完全依赖数据本身内在结构和特征来进行分组，最终簇所对应的概念语义需由是使用者来把握和命名。 聚类的核心是 “物以类聚”，具体 阅读全文

摘要： 一、集成学习 集成学习通过某种策略组合多个个体学习器的预测结果来提高整体的预测能力。只包含同种类型的个体学习器的集成称为 同质集成。同质集成中的各个学习器亦称为 基学习器，相应的学习算法称为 基学习算法。包含不同类型的个体学习器的集成称为 异质集成。 集成学习有三大经典方法：Boosting、Bag 阅读全文

摘要： 一、支持向量机 支持向量机（Support Vector Machines，SVM）是一种二分类模型，其核心目标是寻找一个间隔最大的超平面将不同类别的数据点分隔开。这个超平面在二维空间中是一条直线，在三维空间中是一个平面，在更高维空间则是一个超平面。 二、线性可分支持向量机 【1】、硬间隔 当训练样 阅读全文

摘要： 一、决策树 决策树（Decision Tree）是一种基于树形结构的算法，它根据一系列条件判断逐步划分数据，缩小范围，最终得到预测结果。决策树由 4 部分组成。 根节点：树的节点，包含所有数据。 内部节点：表示特征上的判断条件。 分支：根据判断分支分出的路径。 叶节点：最终分类或回归的结果。 决策树 阅读全文

摘要： 一、朴素贝叶斯 朴素贝叶斯（naive Bayes）法是一种基于概率的机器学习方法。它基于贝叶斯定理，并假设特征之间相互独立。朴素贝叶斯法实现简单，学习与预测的效率都很高。朴素贝叶斯的核心是贝叶斯定理： \[P(Y|X) = \frac{P(X|Y)P(Y)}{P(X)} \] 其中，\(P(Y|X 阅读全文

摘要： 一、感知机 感知机（Perceptron）是二分类模型，它接收多个信号，输出一个信号。感知机的信号只有 0、1 两种取值。 其中，\(x_{1}\)、 \(x_{2}\) 是 输入信号，y 是 输出信号，\(w_{1}\)、\(w_{2}\) 是 权重，\(\circ\) 称为 神经元 或 节点。输 阅读全文

摘要： 一、逻辑回归 逻辑回归（Logistic Regression）是一种用于解决分类问题的统计方法， 尤其适用于二分类问题。逻辑回归通过将线性回归的输出映射到 [0, 1] 区间，来表示某个类别的概率。 最常用的映射函数是 migmoid() 函数：\(f(x) = \frac{1}{1 + e^{- 阅读全文

摘要： 一、线性回归 线性回归（Linear Regression）是一种用于建模两个或多个变量之间线性关系的统计方法。它通过拟合一条直线（或超平面）来描述自变量（输入特征）与因变量（输出目标）之前的关联，并可用于预测或分析变量间的影响关系。假设因变量 y 与自变量 \(x_{1}, x_{2}, ..., 阅读全文

摘要： 一、KNN算法 K 近邻算法（K-Nearest Neighbors，KNN）是一种基本的分类与回归方法，属于监督学习算法。KNN 算法的核心思想是通过计算给定样本与数据集中所有样本的距离，找到距离最近的 K 个样本，然后根据这 K 个样本的类型或值来预测当前样板的类别或值。 我们可以在终端中使用 阅读全文

摘要： 一、什么是机器学习 机器学习（Machine Learning，ML）主要研究计算机对于特定任务的性能，逐步进行改善的算法和统计模型。通过输入海量训练数据对模型进行训练，是模型掌握数据所蕴含的潜在规律，进而对新输入的数据进行准确的分类和预测。机器学习专门研究计算机怎样模拟或实现人类的学习行为，以获取 阅读全文