背景与原理： 朴素贝叶斯算法是机器学习领域最经典的算法之一，仍然是用来解决分类问题的。 那么对于分类问题，我们的模型始终是：用$m$组数据，每条数据形如$(x_{1},...,x_{n},y)$，表示数据共有$n$个特征维度，而$y$表示该数据所属的类别，不妨设有$k$个取值$C_{1},...,C Read More
背景与原理： 首先我们需要知道集成学习的概念，所谓集成学习，就是使用一系列学习器进行学习，并且通过某种规则把这些学习器的学习结果整合起来从而获得比单个学习器学习效果更好的机器学习方法。这样的方法可以用于解决单个学习器的过拟合、性能瓶颈等问题，常用的集成方式主要有Bagging（并行）和Boostin Read More
背景与原理： 决策树算法是在各种已知情况发生概率的基础上通过构成决策树来求某一事件发生概率的算法，由于这个过程画成图解之后很像一棵树形结构，因此我们把这个算法称为决策树。 而在机器学习中，决策树是一种预测模型，代表对象属性和对象值之间的一种映射，一棵决策树的每个内部节点会处理数据的某个维度对应的变量 Read More