K-Means、MeanShift聚类实战与KNN对比

使用 sklearn.cluster 模块可以对未标记的数据进行聚类。对于这类非监督的聚类算法来说，因为数据都是未标记的，所以模型训练完毕后得到的结果可能是与真实标记结果匹配不上的，需要手动矫正一下数据。对于 K-Means 算法来说，我们需要指定一个类别数量。Mean-shift 只需要根据指定的
作者：Administrator

聚类算法 KMeans、KNN、Mean-shift

监督式学习：发现数据属性和类别属性之间的关联。并通过利用这些模式用来预测未知数据实例的类别属性。 无监督学习：机器学习的一种方法，没有给定事先标记过的训练示例自动对输入的数据进行分类或分群。 非监督式学习中研究最多、应用最广的是聚类算法（Clustering）。常见的无监督学习应用在聚类分析、关联规
作者：Administrator

逻辑回归案例实战

当我们要解决一个分类问题，尤其是一个二分类问题时，如果我们用线性回归去解决就会面临这样一个问题：样本量变大后，准确率会下降。这时为了更好地解决这种分类问题，我们就需要采用逻辑回归的方法了。现在有两个逻辑回归的实战案例：考试通过预测、芯片检测通过预测。同样本次练习也是基于sk-learn库， 通过逻辑
作者：Administrator

分类问题与逻辑回归

对垃圾邮件进行检测分类是机器学习中的经典案例，如何对垃圾邮件进行检测呢？首先需要人为标注样本邮件为垃圾/正常，然后计算机获取匹配的样本邮件及其标签，学习其特征，后面计算机针对新的邮件，自动识别其类型。用于帮助判断是否为垃圾邮件的属性，比如正文包含：现金、领取、红包、优惠、新品推广、季末促销、优惠套餐
作者：Administrator

多因子线性回归

什么是回归分析？(Regression Analysis) 回归分析是一种统计方法，用于显示两个或更多变量之间的关系。该方法检验因变量与自变量之间的关系，常用图形表示。通常情况下，自变量随因变量而变化，并且通过回归分析确定出哪些因素对该变化最重要。 <!-- more --> <!--more-->
作者：Administrator

机器学习环境配置

以前在学习线性回归算法的时候主要使用 Octave 作为主要编程语言，现在想来无论是画图还是矩阵运算不如Python的numpy、matplotlib等方便快捷，现主要记录下通过Anaconda与Jupyter NoteBook搭建机器学习环境的过程。 <!-- more --> <!--more-
作者：Administrator

LLM + Vector DB应用初探

在大模型的应用中，不断涌现出B端对专用数据的需求、C端对个性化与自动化的需求，带来给大模型增加记忆功能的刚性需求，相关产品需求量快速增长。众所周知，如今如火如荼的ChatGPT确实可以帮助我们解决许多问题，但是其作为一款语言大模型，从原理上就不容易实现记录与用户的全部历史对话，以及历史对话过程中的关
作者：Administrator

一元线性回归的梯度下降算法实现

一元线性回归算法是机器学习部分接触的第一个算法，更重要的通过一元线性回归足以了解监督学习过程完整的流程，之所以称为监督学习是因为对于每个数据来说，已经存在了正确的答案。本文所有的内容都只是在学习Andrew Ng老师的机器学习课程中记的笔记，并且自己用Ocatve实现了一元线性回归的梯度下降算法。
作者：Administrator
共 18 篇文章
页