《写给程序员的数据挖掘实践指南》——第5章 分类的进一步探讨—算法评估及kNN

简介:

第5章 分类的进一步探讨—算法评估及kNN

写给程序员的数据挖掘实践指南
回到上一章中关于运动员的例子。在那个例子中我们构建了一个分类器,输入为运动员的身高、体重,输出为其从事的体育项目—体操、田径或篮球。

image

因此,左图的Marissa Coleman身高6英尺1英寸,体重160磅。我们的分类器能够将她正确判断为篮球运动员:

>>> cl = Classifier('athletesTrainingSet.txt')
>>> cl.classify([73, 160])

'Basketball'
而另一个身高4英尺9英寸体重90磅的人可能是体操运动员:

>>> cl.classify([59, 90])
'Gymnastics'

一旦构建了分类器,我们就可能有兴趣回答类似下述的问题:

image

怎样才能回答上述问题呢?

相关文章
|
1月前
|
机器学习/深度学习 算法
【优选算法】—— 滑动窗口类问题
【优选算法】—— 滑动窗口类问题
|
1月前
|
机器学习/深度学习 算法
【数学建模竞赛】评价类赛题常用算法解析
【数学建模竞赛】评价类赛题常用算法解析
33 0
|
1月前
|
机器学习/深度学习 算法 数据库
KNN和SVM实现对LFW人像图像数据集的分类应用
KNN和SVM实现对LFW人像图像数据集的分类应用
34 0
|
15天前
|
机器学习/深度学习 自然语言处理 算法
|
1天前
|
移动开发 算法 数据可视化
数据分享|Spss Modeler关联规则Apriori模型、Carma算法分析超市顾客购买商品数据挖掘实例
数据分享|Spss Modeler关联规则Apriori模型、Carma算法分析超市顾客购买商品数据挖掘实例
|
8天前
|
机器学习/深度学习 算法 数据可视化
样条曲线、决策树、Adaboost、梯度提升(GBM)算法进行回归、分类和动态可视化
样条曲线、决策树、Adaboost、梯度提升(GBM)算法进行回归、分类和动态可视化
13 0
|
1月前
|
算法 数据挖掘 大数据
探索数据挖掘中的特征选择算法
在数据挖掘领域,特征选择是一项至关重要的任务。本文将深入探讨几种常用的特征选择算法,并比较它们在不同数据集上的表现,旨在帮助数据分析师和研究人员更好地应用这些算法来提升模型性能。
|
1月前
|
机器学习/深度学习 自然语言处理 搜索推荐
推荐系统的算法分类和操作流程介绍
推荐系统的算法分类和操作流程介绍
|
1月前
|
机器学习/深度学习 算法
机器学习与深度学习的算法分类
机器学习与深度学习的算法分类
|
1月前
|
机器学习/深度学习 监控 算法
【数学建模竞赛】优化类赛题常用算法解析
【数学建模竞赛】优化类赛题常用算法解析
41 2