正在加载中...
查看算法原理、公式、操作流程和结果说明。
集成常用机器学习回归与分类模型，用于训练、比较和评估预测模型，适合连续值预测和类别判别任务。
支持向量机（Support Vector Machine, SVM）是一类基于间隔最大化原则的监督学习模型，既可用于分类任务，也可用于回归任务（SVR）。其核心思想是：在特征空间中构造最优分离超平面，使分类间隔最大；在回归中构造带 ε 不敏感带的回归函数，使预测误差可控且模型尽…
BP 神经网络（Backpropagation Neural Network）是典型的前馈多层感知机（MLP）模型，适用于分类与回归任务。本系统用于完成数据预处理、模型训练与评估，并输出论文可直接引用的指标、图表与结果表格。
K 近邻（K-Nearest Neighbors, KNN）是一类基于距离的非参数监督学习方法，可用于分类与回归。其基本思想是：对新样本，寻找特征空间中距离最近的 K 个样本，并以邻域的类别投票（分类）或数值平均（回归）作为预测结果。
决策树是一类可解释的监督学习模型，可用于分类与回归。其核心思想是：通过一系列“特征-阈值”划分，将样本逐步分裂到叶节点；分类任务在叶节点输出多数类，回归任务输出数值预测（常用均值）。
本系统用于线性回归（回归）与逻辑回归（分类）的建模与评价，支持特征工程、交叉验证、图表输出与 Excel 多表结果，便于直接用于论文撰写与实验复现。
朴素贝叶斯（Naive Bayes, NB）是一类基于贝叶斯定理的生成式分类模型。其核心假设是：在给定类别 y 的条件下，各特征 xj 相互条件独立。该模型计算后验概率并选择最大后验类作为预测结果，具有计算高效、可解释性强、对高维特征鲁棒等优点。
随机森林（Random Forest, RF）是一类基于 Bagging 的集成学习方法，由多棵决策树构成，可用于分类与回归。其核心思想是：对样本进行自助采样（Bootstrap），并在每个分裂节点随机选择特征子集，从而降低单棵树的方差并提升泛化能力。
CatBoost（Categorical Boosting）是一种面向类别特征的梯度提升树（GBDT）算法。其核心特性包括：
极端随机树（Extremely Randomized Trees, ExtraTrees）是一类基于随机化分裂与集成学习的树模型。与随机森林相比，ExtraTrees 在每个节点上不仅随机选择特征子集，还随机生成切分点，再从这些随机切分中选择最优分裂，从而提升随机性、降低方差、…
高斯过程（Gaussian Process, GP）是一类非参数贝叶斯方法，可统一用于回归与分类。其核心思想是：将未知函数视为随机过程，并通过核函数定义样本间相似性，再基于观测数据更新后验分布。
梯度提升树（Gradient Boosting Decision Tree, GBDT）是一类基于加性模型与梯度提升思想的集成学习方法，可用于分类与回归。它通过逐步拟合损失函数的负梯度（伪残差），不断叠加弱学习器（通常为 CART 回归树），最终得到高精度模型。
核岭回归（Kernel Ridge Regression, KRR）是在岭回归基础上引入核技巧的一类监督学习方法。它通过核函数将输入映射到高维特征空间，在该空间上进行带 ℓ2 正则的最小二乘拟合，从而获得非线性回归能力。系统中 KRR 同时支持回归任务与二分类回退任务（将连续输…
线性判别分析（Linear Discriminant Analysis, LDA）与二次判别分析（Quadratic Discriminant Analysis, QDA）是经典的监督分类方法。两者均假设类别条件分布为高斯分布；差异在于：
LightGBM（Light Gradient Boosting Machine）是基于 GBDT 的高效实现，采用直方图分箱、Leaf-wise 生长、GOSS（梯度单侧采样）与 EFB（互斥特征捆绑）等机制，在保证精度的同时显著提升训练速度与内存效率。LightGBM 既可…
随机梯度线性模型（Stochastic Gradient Descent Linear Model, SGDLinear）是一类基于随机梯度下降（SGD）优化的线性监督学习方法。本系统同时支持分类与回归两类任务：分类分支调用 SGDClassifier，回归分支调用 SGDRe…
XGBoost（Extreme Gradient Boosting）是基于梯度提升树（GBDT）的高性能实现，核心特点是二阶梯度优化、显式正则化与高效并行/分布式训练。本系统支持 分类 与 回归 两类任务，并提供特征工程、交叉验证、学习曲线、特征重要性与可选的 SHAP 解释等…
贝叶斯岭回归（Bayesian Ridge Regression）是在线性回归框架下引入参数先验与噪声精度的贝叶斯模型。它通过最大化边际似然（证据）估计超参数，并能输出预测均值与不确定性（标准差/区间）。本系统支持：
ElasticNet（弹性网）是线性回归的正则化扩展，将 L1（Lasso） 与 L2（Ridge） 正则融合。其优势是：在高维与强相关特征场景下既能实现稀疏选择（L1），又能稳定系数（L2），缓解 Lasso 在强相关特征下不稳定的问题。
适合连续阅读，作为本站在线教程的补充入口。