2.1 线性回归与逻辑回归
线性回归是一种基本的回归分析方法,用于建立输入特征与连续型输出变量之间的线性关系。其目标是找到一组最优的权重参数,使得预测值与真实值之间的均方误差最小化。
逻辑回归是一种常用的分类方法,用于建立输入特征与二分类输出变量之间的非线性关系。其核心思想是将输入特征通过Sigmoid函数映射到(0,1)区间,表示样本属于某一类别的概率。
2.2 决策树与随机森林
决策树是一种基于树状结构的分类与回归方法,通过递归地选择最优特征进行划分,生成一系列if-else规则。决策树的优点是可解释性强,易于理解和实现;缺点是容易过拟合,泛化能力较差。
随机森林是一种基于决策树的集成学习方法,通过构建多棵决策树并进行投票或平均,提高了模型的泛化能力和鲁棒性。随机森林的优点是不容易过拟合,可以并行训练,易于处理高维数据;缺点是模型复杂度较高,训练时间较长。
2.3 支持向量机
支持向量机(SVM)是一种基于统计学习理论的二分类模型,其目标是在特征空间中找到一个最优的分离超平面,使得两类样本的间隔最大化。SVM的核心思想是将线性不可分的样本通过核函数映射到高维空间,在高维空间中构建分离超平面。
SVM的优点是分类精度高,可以处理非线性数据,具有良好的泛化能力;缺点是模型训练时间较长,对参数敏感,难以处理大规模数据集。
2.4 k近邻(KNN)
k近邻(k-Nearest Neighbor,KNN)是一种基本的监督学习算法,其思想是根据样本的特征相似度,将其划分到最相似的k个邻居所属的类别中。KNN的优点是简单易懂,适合处理多分类问题,无需训练模型;缺点是计算复杂度高,容易受到噪声和无关特征的影响。
2.5 神经网络简介
神经网络(Neural Network)是一种模拟生物神经系统的计算模型,由大量的节点(神经元)和连接(权重)组成。神经网络通过调整权重参数,学习输入与输出之间的复杂非线性关系。常见的神经网络模型包括:
(1)前馈神经网络(FNN):信息沿一个方向从输入层传递到输出层,适合处理静态数据。
(2)卷积神经网络(CNN):利用卷积和池化操作提取局部特征,适合处理图像、语音等数据。
(3)循环神经网络(RNN):通过引入循环连接,捕捉序列数据中的时序依赖关系。
神经网络的优点是可以拟合任意复杂的非线性函数,具有强大的表示和学习能力;缺点是模型复杂,训练时间长,可解释性差。
DPex数字公证存证亮点 实现无需上传源文件，又可以完成公证存证的“私密存证”功能，满足企业在商业秘密、敏感数据方面的保密需求和存证保护需求。 
