一、原理逻辑回归原理可参考：https://zhuanlan.zhihu.com/p/73608677和https://zhuanlan.zhihu.com/p/90520763两位大佬的1、这里说下我自己的理解：首先逻辑回归建立在线性回归的基础上，但是由于线性回归预测出来的值可以是负无穷到正无穷的，要解决分类问题，通过一个类似于s形状的函数进行映射（也就是Sigmoid Function）一般用
转载
2024-08-01 08:32:37
60阅读
Logistic回归在20世纪初用于生物科学。 它被用于许多社会科学应用中。 当因变量（目标）是需要被分类的时，我们可以使用使用逻辑回归。例如这些二分类问题（答案只是‘是’或‘不是’）： 预测电子邮件是垃圾邮件。 肿瘤是否为恶性。 如果我们针对这些问题使用线性回归，则需要根据可完成的分类设置阈值。 假设实际类别为恶性，预测连续值为0.4，阈值为0.5，则该数据点将被归类为非恶性，这可能导致严重的实
转载
2024-04-16 08:32:27
87阅读
目录S2.1数据驱动方法S2.2K-最近邻算法S2.3线性分类S2.1数据驱动方法图像分类定义图像分类任务是计算机视觉的核心任务。在进行图像分类时，分类器接收一些输入图像，同时也知道图像集合对应的标签集合。分类器的任务就是为输入的图像分配一个固定的分类标签。图像的类别是人类赋予的语义的概念，而对于计算机来说，RGB图像仅仅是3维度的张量，是一个巨大的数字阵列。因此在进行图像分类任务时，会存在语义鸿
Explainable artificial intelligence for mental health through transparency and interpretability for understandability文章主要内容总结调研了应用了XAI的心理健康和精神病学的文献
总结了这个领域的XAI应用具有模式：输入-f(x)->特征空间-g(f(x))->输出
转载
2024-07-09 17:52:22
58阅读
逻辑回归所要学习的函数模型为y(x)，由x->y，x为样本，y为目标类别，即总体思想是任意给出一个样本输入，模型均能将其正确分类。实际运用中比如有邮箱邮件分类，对于任意一封邮件，经过模型后可将其判别为是否是垃圾邮件。假如我们知道某类数据的条件概率分布函数P(y|x),则不管输入x是什么值，均能计算出输出y为特定值的概率，根据概率的大小，也就可以将其正确分类。因此我们需要做的就是找到一个尽可能
转载
2024-08-11 15:45:41
68阅读
实现： 1、掌握图像的基本特征算法,理解图像中目标的几何特征、形状特征的物理与几何意义，并能够将特征的数学语言转换成程序描述。 2、掌握图像的角点特征算法,理解Moravec角点的物理与几何意义，并能够将角点的数学语言转换成程序描述。 3、掌握图像的纹理分析算法,理解对比度、熵、角二阶矩等纹理测度的几何意义，并能够将纹理特征描述的数学语言转换成程序描述。1、掌握图像的基本特征算法,理解图像中目标的
转载
2024-07-15 10:30:13
125阅读
这部分内容没有固定主题，不定期更新，都是些零碎的，我觉得有必要记一笔的知识。希望能对其他人也有所帮助。 sklearn.feature_selection 里的 F_regression特征选择方法众多，sklearn 的特征选择模块里给出了几种非常简易高效的方法。针对回归问题，sklearn 给出了两种方法，其中一种是 F_regression 引起了我的注意。F_regression
转载
2024-05-06 09:27:33
148阅读
一：ID3算法的学习决策树的ID3算法：基本的ID3 算法通过自顶向下构造决策树来进行学习。构造过程是从“哪一个属性将在树的根结点被测试？”这个问题开始的。为了回答这个问题，使用统计测试来确定每一个实例属性单独分类训练样例的能力。（1）分类能力最好的属性被选作树的根结点的测试。（2）然后为根结点属性的每个可能值产生一个分支，并把训练样例排列到适当的分支（也就是，样例的该属性值对应的分支）之下。（3
利用K近邻（回归）KNeighborsRegressor进行回归训练并预测关于K近邻回归k近邻有分类也有回归，其实两者原理一样:定量输出是回归，进行预测比如明天的降水概率定性输出是分类，需要定性的描述kNN回归的原理：通过找出一个样本的k个最近邻居，将这些邻居的某个（些）属性的平均值赋给该样本，就可以得到该样本对应属性的值。关于sklearn内建boston数据集类型是sklearn.utils.
转载
2024-04-30 14:06:17
133阅读
# Python shap如何合并特征分析
## 简介
SHAP（SHapley Additive exPlanations）是一种用于解释机器学习模型预测结果的方法。它基于合作博弈论中的Shapley值概念，通过计算每个特征对预测结果的贡献来解释模型的预测结果。在实际应用中，我们可能需要合并多个特征对模型的解释结果，本文将介绍如何使用Python的shap库来合并特征分析。
## 流程图
`
原创
2024-01-01 04:40:56
624阅读
# Python中的逻辑回归多分类问题
逻辑回归是机器学习中一种非常重要的分类算法。虽然它的名字中带有“回归”，但其实逻辑回归主要用于分类问题，尤其是二分类问题。然而，通过一些扩展，逻辑回归也可以用于多分类问题。这篇文章将介绍Python中如何使用逻辑回归进行多分类操作，包括基本概念、实现步骤、代码示例和可视化图示。
## 1. 逻辑回归基础
逻辑回归的基本思想是利用逻辑函数（Logist
知识来源于：西安电子科技大学 现代图像分析视频课程 什么是图像图：物体透射或反射光的分布，是客观存在的。像：人对图的印像或认识，是人的感觉。图像：是图和像的有机结合，既反映物体的客观存在，又体现人的心理因素；是客观对象的一种可视化表示，它包含了被描述对象的有关信息。图像分类根据图像空间坐标和幅度（亮度或色彩）的连续性可分为模拟（连续）图像和数字图像。模拟图像：空间坐标和幅度都连续变化的图像数字图像
转载
2024-05-27 13:44:32
116阅读
基于模型刷选特征方法有：排列重要性、shap value、null importance 下面来说一下 shap value 一、shap value的原理 在SHAP被广泛使用之前，我们通常用feature importance或者partial dependence plot来解释xgboost ...
转载
2021-09-26 19:12:00
10000+阅读
2评论
特征分类 对特征进行分类，对于不同的特征应该有不同的处理方法。 根据不同的分类方法，可以将特征分为 (1)Low level特征和High level特征。 Low level特征——较低级别的特征，主要是原始特征，不需要或者需要非常少的人工处理和干预。 例如文本特征中的词向量特征，图像特征中的像素
转载
2018-09-05 19:46:00
175阅读
2评论
1.背景介绍图像分类是计算机视觉领域的一个重要研究方向，它涉及到将图像中的对象进行分类和识别。传统的图像分类方法主要包括手工特征提取和机器学习算法，如支持向量机(SVM)、决策树等。然而，这些方法在处理大规模、高维、不规则的图像数据时，存在一些局限性，如需要人工提取特征、算法复杂度高、训练速度慢等。随着深度学习技术的发展，深度学习在图像分类领域取得了显著的进展。深度学习主要利用神经网络进行图像数据
“无意中发现了一个巨牛的人工智能教程，忍不住分享一下给大家。教程不仅是零基础，通俗易懂，而且非常风趣幽默，像看小说通过回归分析预测值为...
原创
2022-09-09 00:25:18
383阅读
一、基础知识1、张量（1）、张量构建张量并非是一个仅应用于深度学习框架中的概念，而是一个数学概念。几何代数中定义的张量向量和矩阵的推广，比如我们可以将标量视为零阶张量，矢量可以视为一阶张量，矩阵就是二阶张量，以此类推。 图1 多阶张量图示[1]
在PyTorch中有多种方式对张量进行构建，大多数类似于Numpy。 （2）、张量操作张量构建后，便涉及对张量的各种操
很多时候我们输出的特征重要性gain值和cover值不一致，会导致些许困惑（到底那个特征最为重要，那个特征重要性要靠前）。所以，我们考虑用shapely value 来衡量特征的重要性，它即考虑了特征的cover，同时也考虑了gain值，且输出结果更加的符合业务直觉。在XGB中预测接口同样配置了样本shap值的输出选项（xgb_model.predict(te_mt, pred_contribs=
转载
2024-07-24 14:35:27
218阅读
在数据科学的领域，特征工程是一项至关重要的技术，其中“特征融合分类”作为一种高级特征工程技术，帮助我们将多个特征整合以提高模型的准确性和鲁棒性。本文将详细记录如何实现“Python特征融合分类”的过程。
> **用户原始反馈：**
>
> “我在使用传统特征时，模型的准确性不足，如何利用特征融合优化分类效果？”
---
### 2023年 第三季度 技术场景演进
1. **发现问题**（已
特征选择基本概念特征选择如何进行特征选择子集搜索前向搜索后向搜索双向搜索子集评价基于评价准则划分特征选择方法过滤式选择包裹式选择嵌入式选择 基本概念特征选择和提取的目的： 经过选择或变换，组成识别特征，尽可能保留分类信息，在保证一定分类精度的前提下，减少特征维数，使分类器的工作既快又准。基本任务：如何从许多特征中找出那些最有效的特征。特征的类别：物理的、结构的、数学的三类。物理和结构特征：容易被
