常见的机器学习算法有决策树、K近邻算法、朴素贝叶斯、支持向量机和神经网络等。 决策树:决策树算法类似于一个流程图,通过一系列的判断来预测结果。例如,可以使用决策树来预测一个水果是苹果还是橙子。根据特征(如颜色、形状等),决策树会进行一系列的判断,最终给出一个预测结果。 K近邻算法:K近邻算法根据距离度量来...
分类问题：机器学习可以通过对已知类别的数据进行学习，从而对未知类别的数据进行分类。比如在垃圾邮件识别中，机器学习算法可以通过学习已知的垃圾邮件和非垃圾邮件，来判断一封新收到的邮件是否是垃圾邮件。分类问题的常见算法有K近邻算法、逻辑回归、朴素贝叶斯、决策树、随机森林、支持向量机（SVM算法）等，后续文章会详...
2.决策树(可解释性机器学习)预测AB2合金的储氢性能【文章】 1)储氢合金材料数据集准备 2)决策树基本流程 3)动手建立一棵树 4)决策树剪枝 5)决策过程可视化和特征重要性分析 6)分类决策树和回归决策树的区别 3.分子渗透性分类预测 1)使用定量的1D分子描述符和不同的机器学习模型进行QSAR模型的训练和预测 2)...
如果训练集很小,建议采用朴素贝叶斯(Naive Bayes) 但是随着训练集的增大,可以采用其他的逻辑回归,K近邻 决策树(DT)容易理解与解释,主要缺点是容易过拟合,这也正是随机森林(Random Forest, RF)(或者Boosted树)等集成学习算法被提出来的原因。 随机森林(RF)在很多分类问题中经常表现得最好(一般比SVM稍好),且速度快...
3 决策树(Decision Tree) 4 人工神经网络(Artificial Neural Network) 5 k近邻分类(k Nearest Neighbor) 6 期中考试及点评讲解 7 朴素贝叶斯分类(Naive Bayesian) 8 聚类分析(Cluster Analysis) 9 支持向量机(Support Vector Machine) 10 期末考试及点评讲解 ...
近邻算法天生就支持多分类,类似还有决策树、朴素贝叶斯分类,它们区别于感知机、逻辑回归、SVM 这类原生只用于二分类问题的算法。 维度灾难 在高维空间中计算距离的时候,就会变得非常远。 样本不平衡时,预测偏差会比较大。 值大小的选择得依靠经验或者交叉验证得到,不能自己拍脑门随便指定一个。
2. 传统机器学习的实现 2.1 随机森林的实现:介绍随机森林算法的基本原理,包括如何构建决策树和如何通过集成多个决策树提升模型性能。 2.2 支持向量机的实现:解释支持向量机(SVM)的工作原理,包括核技巧的应用和模型参数的选择。 2.3 k-...
(3)随机森林(Random Forest):随机森林是一种集成学习算法,通过构建多个决策树来进行分类。每个决策树都是使用随机样本和随机特征构建的,最终分类结果由所有决策树的投票决定; (4)朴素贝叶斯分类器(Naive Bayes Classifier):朴素贝叶斯分类器是一种基于贝叶斯定理的分类器,假设所有特征都相互独立。它通过计算每个类别的概...
第一部分：分类 【Ch1】机器学习基础【Ch2】k - 近邻算法【Ch3】决策树【Ch4】基于概率论的分类方法：朴素贝叶斯【Ch5】Logistic 回归【Ch6】支持向量机【Ch7】利用 AdaBoost 元算法提高分类性能 第二部分：利用回归预测数值型数据 【Ch8】预测数值型数据：回归【Ch9】树回归 第三部分：无监督学习 【Ch10】利用...
2 决策树 3 随机森林 4 支持向量机 5 K近邻 6朴素贝叶斯 写在前面 【第一段可以跳过,都是废话】“一文读懂XXXXX”老标题党了,作为一个佛系撰写想法、没什么关注的研0菜狗,就是想看看“一文读懂”这个标题的威力(可以预想到也没什么威力)。这篇文章主要介绍了机器学习模型常见参数,不是像前两篇那样比较特别针...