摘要:
机器学习实例 3.2、朴素贝叶斯之新浪新闻分类 一、总结 一句话总结: 在训练朴素贝叶斯分类器之前,要处理好训练集,【文本的清洗】还是有很多需要学习的东西。【去高频词汇】数量的不同,对结果也是有影响的的。 根据提取的分类特征将【文本向量化】,然后训练朴素贝叶斯分类器。 【拉普拉斯平滑】对于改善朴素贝 阅读全文
摘要:
Python人工智能参考 朴素贝叶斯进行垃圾邮件分类最最最简单实战 一、总结 一句话总结: a、用最简单的实例来演示 算法是最方便的能洞悉算法实质的方式 b、朴素贝叶斯注意有多个词表,而不是一个混合的词表 1、朴素贝叶斯进行垃圾邮件分类的计算的时候的注意点是什么? 【P(关键词1,关键词2))可以不 阅读全文
摘要:
机器学习实例 3.1、朴素贝叶斯基础 一、总结 一句话总结: 朴素贝叶斯算法是有监督的学习算法,解决的是【分类问题】,如客户是否流失、是否值得投资、信用等级评定等多分类问题。 该算法的优点在于【简单易懂、学习效率高】、在某些领域的分类问题中能够与决策树、神经网络【相媲美】。 但由于该算法以【自变量之 阅读全文
摘要:
机器学习实例 2.1、决策树(实战) 一、总结 一句话总结: 决策树【构建】、决策树【可视化】、使用决策树进行【分类预测】、决策树的【存储和读取】、 【sklearn】实战之预测隐形眼镜类型 本来是想继续讨论决策树的过拟合问题,但是看到【《机器学习实战》】将此部分内容放到了第九章,那我也放在后面好了 阅读全文
摘要:
python的pickle模块 一、总结 一句话总结: 该pickle模块实现了用于【序列化和反序列化】Python对象结构的【二进制协议】。 “Pickling”是将Python对象层次结构转换为字节流的过程, “unpickling”是反向操作,从而将【字节流(来自二进制文件或类似字节的对象)】 阅读全文