越儿爱美儿

摘要： 阅读全文

摘要： 在学习决策树的时候，我们知道，其一大特点是：寻找最佳的决策树是NP完成问题。什么是NP完全问题，决策树的这一特点又是什么意思？ 什么是NP完全问题 这里的NP其实是Non-deterministic Polynomial的缩写，即多项式复杂程度的非确定性问题，NP完全问题有时也会简称为NP-C问题。 阅读全文

摘要： 1.简介 ROC曲线与AUC面积均是用来衡量分类型模型准确度的工具。通俗点说，ROC与AUC是用来回答这样的问题的： 分类模型的预测到底准不准确？ 我们建出模型的错误率有多大？正确率有多高？ 两个不同的分类模型中，哪个更好用？哪个更准确？ 一句话概括版本： ROC是一条线，如果我们选择用ROC曲线评 阅读全文

摘要： 1. ARI(Adjusted Rand Index) 兰德系数：聚类效果有一个评价指标。 这个指标不考虑你使用的聚类方法，把你的方法当做一个黑箱，只注重结果。可以说，是一个十分“功利”的指标。 在讲ARI之前呢，先讲述一下RI，也就是rand index，从两者的名字也可以看出来，这是ARI的祖宗 阅读全文

摘要： 1.混淆矩阵：判断分类模型好坏 (摘自:版权声明：本文为CSDN博主「Orange_Spotty_Cat」的原创文章.原文链接：https://blog.csdn.net/Orange_Spotty_Cat/article/details/80520839) 混淆矩阵是ROC曲线绘制的基础，同时它也 阅读全文

摘要： 摘自：我是康小小 当我们去商店购物时，我们通常有一个标准的购物清单，每个购物的人都有一个独特的清单，取决于他们的需求和喜好，家庭主妇可能会为家庭晚餐购买健康的食材，而单身汉可能会购买啤酒和薯条。了解这些购物模式有助于通过多种方式提高销售额，如果有一对物品，X和Y经常被购买： X和Y都可以放在同一个架 阅读全文

摘要： 简单对比一下这两者的区别。两者的主要区别主要在质心的选择中，k-means是样本点均值，k-medoids则是从样本点中选取。 首先给出两者的算法实现步骤： K-means 1、随机选取K个质心的值 2、计算各个点到质心的距离 3、将点的类划分为离他最近的质心，形成K个cluster 4、根据分类好 阅读全文

摘要： 集成算法 1.是通过聚合多个分类器的预测来提高分类准确率。集成算法由训练数据构建一组基分类器，然后通过每个基分类器的预测进行投票来进行分类。 2.集成分类器的性能优于单个分类器必须满足两个条件： （1）基分类器必须是相互独立的。 （2）基分类器应当好于随机猜测分类器。 3.构建集成分离器的方法 （1 阅读全文

摘要： 1. BP神经网络模型（Backpropagation Neural Networks） 采用非线性激活函数，Sigmoid函数。 三个层次：输入层（Input Layer）,隐藏层（Hidden Layer） 和输出层（Output layer），就好比神经网络的各个神经元具有不同功能一样。 输入 阅读全文

摘要： 1. 支持向量机（Support Vector Machine, SVM）： 一种知名的二元线性/非线性分类方法，由俄罗斯的统计学家Vapnik等人所提出。它使用一个非线性转换(Nonlinear Transformation)将原始数据映像(Mapping)至较高维度的特征空间 (Feature 阅读全文