摘要：
降维方法主要分为特征选择（Feature Selection）和特征提取（Feature Extraction）两大类。 1. 特征选择（Feature Selection） 特征选择是从原始数据集中筛选出最有用的特征子集，而不改变这些特征本身。它的目标是移除不相关、冗余或噪声的特征，以提高模型的效 阅读全文
posted @ 2025-10-30 15:14
PKICA
阅读(8)
评论(0)
推荐(0)
摘要：
提升算法（Boosting algorithms）是一类强大的集成学习（Ensemble Learning）方法，其核心思想是按顺序训练一系列的“弱学习器”（Weak Learners，通常是简单的模型，如浅层决策树），每一个弱学习器都会在前一个弱学习器的基础上进行调整，以纠正其犯下的错误。通过这种 阅读全文
posted @ 2025-10-30 14:12
PKICA
阅读(59)
评论(0)
推荐(0)
摘要：
在机器学习中，“噪声”是指数据中存在的、不提供有效信息、甚至会干扰模型学习和泛化能力的任何随机或无关的数据。我们可以用“数据 = 信号 + 噪声”来理解，其中“信号”是数据中真正的潜在模式和规律，而“噪声”则是干扰这个模式的随机波动。 如果模型过度关注这些随机波动，它就会学到错误的模式，导致在训练集 阅读全文
posted @ 2025-10-30 13:55
PKICA
阅读(81)
评论(0)
推荐(0)
摘要：
K-means（K-均值）聚类算法是一种无监督学习算法。它的主要目标是将一组未标记的数据点划分为𝐾个簇（cluster），使得每个数据点都属于离它最近的簇中心（centroid），并且每个簇内部的数据点尽可能相似，而簇与簇之间的数据点尽可能不相似。 欧几里得距离（Euclidean Distanc 阅读全文
posted @ 2025-10-30 09:12
PKICA
阅读(28)
评论(0)
推荐(0)
摘要：
K最近邻居（K-Nearest Neighbor, KNN）算法是一种简单而强大的监督学习算法。它可以用于分类和回归问题。KNN的核心思想是“物以类聚”，即一个数据点的类别由它最接近的K个邻居的类别决定。 1. KNN的工作原理 KNN是一种基于实例的学习（Instance-based Learni 阅读全文
posted @ 2025-10-29 17:24
PKICA
阅读(18)
评论(0)
推荐(0)
摘要：
支持向量机（Support Vector Machine, SVM）是一种强大的有监督学习模型，主要用于分类，也可用于回归任务。它的核心思想是找到一个最优的超平面，将不同类别的数据点分隔开来，并且使这个超平面与最近的训练数据点（即支持向量：样本中距离超平面最近的一些点）之间的距离最大化。 1. 工作 阅读全文
posted @ 2025-10-29 15:34
PKICA
阅读(16)
评论(0)
推荐(0)
摘要：
0. 引导聚集算法 引导聚集算法（Bootstrap Aggregating），简称 Bagging，是一种集成学习（Ensemble Learning）方法。其核心思想是通过并行训练多个基学习器，并结合它们的预测结果，来提高模型的稳定性和准确性，同时有效降低过拟合的风险。 Bagging算法尤其适 阅读全文
posted @ 2025-10-29 11:20
PKICA
阅读(21)
评论(0)
推荐(0)
摘要：
决策树（Decision Tree）是一种常见的非参数监督学习算法，可用于分类和回归任务。它通过构建树状模型，模拟人类决策过程，将数据根据不同的特征进行分割，最终在树的叶子节点得出结论。 1. 决策树的结构 一个完整的决策树由以下几个部分构成： 根节点（Root Node）： 代表整个数据集的起点。 阅读全文
posted @ 2025-10-28 17:32
PKICA
阅读(25)
评论(1)
推荐(0)
摘要：
1. MLP （multilayer perceptron） 多层感知机（Multilayer Perceptron, MLP）是机器学习中一种基本且重要的前馈人工神经网络模型。它通过增加一个或多个隐藏层以及使用非线性激活函数，解决了单层感知机无法处理非线性可分问题的局限性。 2. 结构和组成 一个 阅读全文
posted @ 2025-10-28 11:10
PKICA
阅读(122)
评论(0)
推荐(0)
摘要：
1. 监督学习 监督学习（Supervised learning）是机器学习的一种基本类型，它使用已标记（labeled）的数据集来训练算法，以识别模式并预测新数据的结果。在已标记的数据集中，每个输入数据都对应一个正确的输出标签，就好比一个学生在有老师指导的情况下学习。 1.1 运作原理 准备已标记 阅读全文
posted @ 2025-10-24 17:19
PKICA
阅读(158)
评论(0)
推荐(0)
浙公网安备 33010602011771号