“AI Red”的版本间的差异

来自CloudWiki
跳转至: 导航搜索
第4章 K-近邻算法
第29行: 第29行:
 
*[[3.7 F1 Score]]
 
*[[3.7 F1 Score]]
 
==第4章 K-近邻算法==
 
==第4章 K-近邻算法==
*算法简介
+
*[[算法简介]]
K最近邻(k-Nearest Neighbour,KNN)分类算法,是一个理论上比较成熟的方法,也是最简单的机器学习算法之一。该方法的思路是:如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别,则该样本也属于这个类别。
 
用官方的话来说,所谓K近邻算法,即是给定一个训练数据集,对新的输入实例,在训练数据集中找到与该实例最邻近的K个实例(也就是上面所说的K个邻居), 这K个实例的多数属于某个类,就把该输入实例分类到这个类中。
 
 
*[[4.1 算法原理]]
 
*[[4.1 算法原理]]
 
*[[4.2 实例:使用 K-近邻算法进行分类]]
 
*[[4.2 实例:使用 K-近邻算法进行分类]]
第37行: 第35行:
 
*[[4.4 实例:糖尿病预测]]
 
*[[4.4 实例:糖尿病预测]]
 
*[[4.5 拓展阅读]]
 
*[[4.5 拓展阅读]]
 +
 
==第5章 线性回归算法==
 
==第5章 线性回归算法==
 
*[[5.1算法原理]]
 
*[[5.1算法原理]]

2018年5月25日 (五) 13:03的版本

机器学习的准备工作

环境的安装搭建

第1章 机器学习介绍

机器学习的典型步骤

  • 数据标记和采集
  • 数据清洗
  • 特征选择
  • 模型训练和测试
  • 模型性能评估和优化

第2章 Python机器学习软件包

开发环境搭建

第3章 机器学习理论基础

第4章 K-近邻算法

第5章 线性回归算法

第6章 逻辑回归算法

第7章 决策树

第8章 支持向量机

第9章 朴素贝叶斯算法

第10章 pca算法

第11章 K-均值算法