机器学习

本文已参与「新人创作礼」活动，一起开启掘金创作之路。 1. 基础概念 1.1 学习曲线 通过学习曲线可以观测模型准确度与训练数据集大小的关系，其要表达的内容是当训练数据集增加时，模型对训练数据集拟合的

本文已参与「新人创作礼」活动，一起开启掘金创作之路。 1. 二维SVM分类例子 显示数据 思考：左下角gamma=0.5的高斯核函数的图片，带有x标记的点是支持向量。我们之前介绍过，离分隔超平面最近的

本文已参与「新人创作礼」活动，一起开启掘金创作之路。  1. PCA介绍 1.1 概念 思想： 图中正方形的点是原始数据经过预处理后（归一化、缩放）的数据，圆形的点是从一维恢复到二维后的数据。同时，我

本文已参与「新人创作礼」活动，一起开启掘金创作之路。 KNN算法中，其算法参数是K，参数选择需要根据数据来决定。K值越大，模型的偏差越大，对噪声数据越不敏感，当K值很大时，可能造成模型欠拟合；K值越小

本文已参与「新人创作礼」活动，一起开启掘金创作之路。 1. K-均值算法介绍 查看样本的分类情况 使用KMeans模型来拟合,这里设置类别个数为3，并计算出其拟合后的成本。 KMeans.score(

本文已参与「新人创作礼」活动，一起开启掘金创作之路。 以下内容来源互联网与书籍。 1.决策树算法原理 决策树的基本原理是：对于一个数据集$D$，其基本的格式是由多个未知关联的多个特征共同决定一个输出。

本文已参与「新人创作礼」活动，一起开启掘金创作之路。  下面是一个例子，根据啤酒中配料含量的不同进行聚类，以划分出不同品牌的啤酒 1、导入数据并处理 2、计算划分后各维均值 3、绘图分析 下面是cal

本文已参与「新人创作礼」活动，一起开启掘金创作之路。 以下是使用PCA算法处理实际问题的例子，同样使用鸢尾花数据集，目的依旧是完成降维任务 基本的流程如下： 1.数据预处理，只有数值数据才可以进行PC

本文已参与「新人创作礼」活动，一起开启掘金创作之路。  主要流程： 理论部分的参考文章： 1、LDA和PCA降维总结 2、详解协方差与协方差矩阵 3、期望值、均值向量和协方差矩阵 4、如何计算数学期望

本文已参与「新人创作礼」活动，一起开启掘金创作之路。 关于支持向量机的一些基础知识：支持向量机SVM（Support Vector Machine）笔记 ，这篇文章总结得很好，视频讲解可以查看b站上面

本文已参与「新人创作礼」活动，一起开启掘金创作之路。 下面是做一个学习的归纳 在建模的过程中，一般会优先考虑算法和参数，但是数据特征吃决定了整体结果的上限，而算法和参数只决定了如何逼近这个上限。特征工