JackYang - 博客园

2024年6月4日

朴素贝叶斯分类算法（Naive Bayes Classification Algorithm）

摘要：朴素贝叶斯分类算法（Naive Bayes Classification Algorithm）是一种基于贝叶斯定理和特征条件独立假设的分类方法。以下是对该算法的清晰介绍： 1. 基本概念定义：朴素贝叶斯算法是应用最为广泛的分类算法之一，它假设给定目标值时属性之间相互条件独立。这个简化方式降低了贝叶阅读全文

posted @ 2024-06-04 00:09 JackYang 阅读(560) 评论(0) 推荐(0)

过拟合和欠拟合如何影响模型性能

摘要：过拟合（Overfitting）和欠拟合（Underfitting）都会严重影响模型的性能，但影响的方式和程度有所不同。过拟合（Overfitting）对模型性能的影响：高方差：过拟合的模型在训练数据上表现非常好，但在未见过的测试数据上性能较差。这是因为模型过于复杂，以至于它“记住”了训练数据中的噪阅读全文

posted @ 2024-06-04 00:00 JackYang 阅读(239) 评论(0) 推荐(0)

2024年6月3日

KNN算法

摘要： KNN（K-Nearest Neighbors）算法是一种基本且常用的监督学习算法，它既可以用于分类问题，也可以用于回归问题。不过，KNN在分类问题中更为常见。以下是KNN算法的主要步骤和概念：定义K值：K值表示在预测时，我们考虑的“邻居”的数量。选择合适的K值很重要，过小的K值可能导致过拟合，而过阅读全文

posted @ 2024-06-03 23:58 JackYang 阅读(235) 评论(0) 推荐(0)

KNN中如何通过实验验证K值的选择是否有效

摘要：要通过实验验证K值的选择是否有效，我们可以采用以下步骤，并参考文章中的相关数字和信息：准备数据集：选择一个合适的数据集，例如Iris数据集，它包含150个样本，分为三类，每类50个样本。这样的数据集适合用于KNN算法的验证。划分数据集：将数据集划分为训练集和测试集。通常，我们可以使用70%的数据作为阅读全文

posted @ 2024-06-03 23:56 JackYang 阅读(270) 评论(0) 推荐(0)

KNN中如何确定K值划分时的最佳K范围

摘要：确定K值划分时的最佳K范围是一个需要综合考虑多个因素的过程。以下是根据参考文章中的相关信息和建议，以分点表示和归纳的方式给出的建议：理解K值对模型的影响：K值的大小直接影响KNN算法的分类或回归结果。较小的K值可能使模型对局部数据过于敏感，导致过拟合；而较大的K值可能使模型过于平滑，导致欠拟合。交叉阅读全文

posted @ 2024-06-03 23:55 JackYang 阅读(791) 评论(0) 推荐(0)

过拟合（Overfitting）和欠拟合（Underfitting）

摘要：过拟合（Overfitting）和欠拟合（Underfitting）是机器学习中常见的两种问题，它们描述了模型在训练数据上的表现与在未知数据（或测试数据）上的表现之间的关系。过拟合（Overfitting）定义：过拟合是指模型在训练数据上表现得非常好，但在测试数据（或未知数据）上表现较差的现象。这通阅读全文

posted @ 2024-06-03 23:53 JackYang 阅读(402) 评论(0) 推荐(0)

BERT如何处理复杂的文本分词过程

摘要： BERT处理复杂的文本分词过程主要分为以下几个步骤，这些步骤有助于将原始文本转换为模型可以处理的数值化表示：文本清洗：在分词之前，BERT首先会对输入的文本进行清洗，去除不必要的字符、标点符号、特殊符号等。这一步是为了确保模型能够专注于文本的主要内容，提高分词和后续任务的准确性。分词器选择：BERT 阅读全文

posted @ 2024-06-03 23:44 JackYang 阅读(431) 评论(0) 推荐(0)

BERT模型

摘要： BERT模型的概述BERT，全称Bidirectional Encoder Representations from Transformers，是由Google在2018年提出的一种预训练语言模型。它的出现标志着NLP领域的一个重要进步，因为它能够更好地理解语言的上下文和语义关系。BERT模型的特点阅读全文

posted @ 2024-06-03 23:41 JackYang 阅读(300) 评论(0) 推荐(0)

BERT模型如何处理未知的文本数据

摘要： BERT模型在处理未知的文本数据时，主要依赖于其强大的预训练能力和灵活的微调机制。以下是BERT模型处理未知文本数据的具体步骤和关键点：分词：BERT采用WordPiece分词方法，这是一种基于子词的分词技术，可以将单词划分为更小的子词单元。例如，单词“unbelievable”会被分为“un”, 阅读全文

posted @ 2024-06-03 23:39 JackYang 阅读(252) 评论(0) 推荐(0)

BERT模型如何处理罕见单词

摘要： BERT模型在处理罕见单词时，主要通过以下几个关键步骤和机制来实现：分词方法：BERT采用的是WordPiece分词方法，这种方法可以将单词划分为更小的子词单元。对于罕见单词，即使它没有在预训练语料库中出现过，BERT也能通过将其拆分为子词的方式来进行处理。例如，将“unbelievable”这样的阅读全文

posted @ 2024-06-03 23:34 JackYang 阅读(161) 评论(0) 推荐(0)