摘要：
概率论是许多机器学习算法的基础，因而本篇将会用到一些概率论知识，我们先统计在数据集中取某个特定值的次数，然后除以数据集的实例总数，就得到了取该值的概率。 优点：在数据较少的情况下仍然有效，可以处理多类别问题 缺点：对输入数据的准备方式比较敏感 适用于标称型数据 如果P1（X,Y）>P2（X,Y），那 阅读全文
posted @ 2018-05-02 17:14
findtruth123
阅读(595)
评论(0)
推荐(0)
摘要：
上一篇我们介绍的K邻近算法可以解决很多分类的问题，但它的最大的缺点是无法给出数据内在的含义，决策树的主要优势在数据形式非常易于理解。 决策树的构造 优点：计算复杂度不高，输出结果易于理解，对中间值的缺失不敏感，可以处理不相关数据特征。 缺点：可能会产生过度匹配的问题。 适用数据类型：数值型和标称型 阅读全文
posted @ 2018-05-02 16:00
findtruth123
阅读(160)
评论(0)
推荐(0)
摘要：
算法描述 K邻近算法采用测量不同特征值之间的距离方法进行分类 工作原理 存在一个样本数据集合，也称作训练样本集，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，将新数据的每个特征与样本集中数据对应的特征进行比较 然后算法提取样本集中最相似的数据 阅读全文
posted @ 2018-05-02 15:38
findtruth123
阅读(315)
评论(0)
推荐(0)
浙公网安备 33010602011771号