摘要：
贝叶斯分类是一类分类算法的总称，这类算法均以贝叶斯定理为基础，故统称为贝叶斯分类。而朴素朴素贝叶斯分类是贝叶斯分类中最简单，也是常见的一种分类方法。这篇文章我尽可能用直白的话语总结一下我们学习会上讲到的朴素贝叶斯分类算法，希望有利于他人理解。 分类问题综述 对于分类问题，其实谁都不会陌生，日常生活中 阅读全文
posted @ 2021-02-25 08:22
lvdongjie-avatarx
阅读(1034)
评论(0)
推荐(0)
摘要：
https://scikit-learn.org/stable/modules/classes.html?highlight=svm#module-sklearn.svm 阅读全文
posted @ 2021-02-23 20:18
lvdongjie-avatarx
阅读(61)
评论(0)
推荐(0)
摘要：
SMO 是由 Platt 在 1998 年提出的、针对软间隔最大化 SVM 对偶问题求解的一个算法，其基本思想很简单：在每一步优化中，挑选出诸多参数（）中的两个参数（、）作为“真正的参数”，其余参数都视为常数，从而问题就变成了类似于二次方程求最大值的问题，从而我们就能求出解析解 具体而言，SMO 要 阅读全文
posted @ 2021-02-23 20:06
lvdongjie-avatarx
阅读(524)
评论(0)
推荐(0)
摘要：
SVM 由线性分类开始 理解SVM，咱们必须先弄清楚一个概念：线性分类器。 给定一些数据点，它们分别属于两个不同的类，现在要找到一个线性分类器把这些数据分成两类。如果用x表示数据点，用y表示类别（y可以取1或者-1，分别代表两个不同的类），一个线性分类器的目标是要在n维的数据空间中找到一个超平面（h 阅读全文
posted @ 2021-02-23 20:02
lvdongjie-avatarx
阅读(177)
评论(0)
推荐(0)
摘要：
https://scikit-learn.org/stable/search.html?q=distance 阅读全文
posted @ 2021-01-21 07:32
lvdongjie-avatarx
阅读(36)
评论(0)
推荐(0)
摘要：
谱聚类（spectral clustering）是广泛使用的聚类算法，比起传统的K-Means算法，谱聚类对数据分布的适应性更强，聚类效果也很优秀，同时聚类的计算量也小很多，更加难能可贵的是实现起来也不复杂。在处理实际的聚类问题时，个人认为谱聚类是应该首先考虑的几种算法之一。下面我们就对谱聚类的算法 阅读全文
posted @ 2021-01-20 08:14
lvdongjie-avatarx
阅读(244)
评论(0)
推荐(0)
摘要：
1 引言 2014年6月，Alex Rodriguez和Alessandro Laio在ScienceScience上发表了一篇名为《Clustering by fast search and find of density peaks》的文章，提供了一种简洁而优美的聚类算法，是一种基于密度的聚类方 阅读全文
posted @ 2021-01-20 07:51
lvdongjie-avatarx
阅读(947)
评论(0)
推荐(0)
摘要：
https://scikit-learn.org/stable/modules/generated/sklearn.cluster.DBSCAN.html?highlight=dbsc#sklearn.cluster.DBSCAN 阅读全文
posted @ 2021-01-19 21:46
lvdongjie-avatarx
阅读(86)
评论(0)
推荐(0)
摘要：
一、前言 DBSCAN（Density-Based Spatial Clustering of Applications with Noise，具有噪声的基于密度的聚类方法）是一种基于密度的空间聚类算法。 该算法将具有足够密度的区域划分为簇，并在具有噪声的空间数据库中发现任意形状的簇，它将簇定义为密 阅读全文
posted @ 2021-01-19 20:45
lvdongjie-avatarx
阅读(351)
评论(0)
推荐(0)
摘要：
BIRCH（Balanced Iterative Reducing and Clustering using Hierarchies）天生就是为处理超大规模（至少要让你的内存容不下）的数据集而设计的，它可以在任何给定的内存下运行。关于BIRCH的更多特点先不介绍，我先讲一下算法的完整实现细节，对算法 阅读全文
posted @ 2021-01-19 20:02
lvdongjie-avatarx
阅读(994)
评论(0)
推荐(0)
浙公网安备 33010602011771号