发简信
IP属地：江苏
-
-
Python机器学习之交叉验证
交叉验证是一种非常常用的对于模型泛化能力进行评估 方法，交叉验证既可以解决数据集的数据量不够大问题，也可以解决参数调优的问题。常用的交叉验证方法有：简单交叉验证（HoldOu...
-
Python二维数组转为一维数组的四种方法
二维数组转为一维数组 1.列表推导式 2. itertools 3.sum小技巧 4. operator 列表推导式参：《Python列表推导式和嵌套的列表推导式》[http...
-
-
-
-
-
Python机器学习之神经网络手写识别引言 使用现成的 MNIST 数据集训练图像识别，包含 70000 个手写数字图像，其中 60000 个是训练数据，另外 10000 个是测试数据。每个样本有 784 个特征...
-
Python机器学习之神经网络MLP引言 MLP算法，也叫前馈神经网络或多层感知器。关于MLP网上有很多，可以参考，比如《神经网络基础-多层感知器(MLP)》[https://blog.csdn.net/wei...
-
SVM算法项目实践---波士顿房价回归分析
引言 采用波士顿房价数据，因为SVM算法对数据预处理 要求较高，房价数据特征量级差异大，因此需要进行预处理 代码 执行结果 注释： 《Sklearn之数据预处理——Stand...
-
Python机器学习之支持向量机引言 SVM的基本概念 分隔超平面：将数据集分割开来的直线叫做分隔超平面。超平面：如果数据集是N维的，那么就需要N-1维的某对象来对数据进行分割。该对象叫做超平面，也就是分类...
-
Python机器学习之随机森林引言 随机森林的原理网上有一大堆，作为入门小白，下面来根据教材敲两个随机森林的代码。随机森林有两个比较重要的参数：max_features 和 n_estimators。m...
-
Python机器学习之决策树引言 朴决策树的原理可以参考我的另一篇<决策树是什么东东？>[https://www.jianshu.com/p/433e2de1785d] 采用红酒的数据进行建模，并绘制...
-
朴素贝叶斯算法项目实践---判断肿瘤良性还是恶性引言 使用威斯康星乳腺肿瘤数据，用高斯朴素贝叶斯进行建模。数据集包括569个兵力的数据样本，每个样本有30个特征值，样本分为两类：恶性（Malignant）和良性（Benig...
-
Python机器学习之朴素贝叶斯引言 在scikit-learn中，朴素贝叶斯有三种方法：贝努利朴素贝叶斯（BernoulliNB）、高斯朴素贝叶斯（GaussianNB）和多项式朴素贝叶斯（Multin...
-
Python机器学习之线性模型一、线性模型基本概念 线性模型不是指某一个模型，而是一类模型。在机器学习领域，常用的线性模型包括，线性回归、岭回归、套索回归、逻辑回归和线性SVC等。 1.线性模型的图形表...
-
K近邻算法项目实践---酒的分类
一、概述 数据集：数据集来自 scikit-learn 内置的红酒数据集，包括数据 'data'， 目标分类 'target', 目标分类名'target_names', 数...
-
Python机器学习之K最近邻算法一、K最近邻算法的原理 原理部分直接看我另一篇《KNN是什么东东？》，本文主要针对如何应用。 K这个字母的含义就是最近邻的个数。在scikit-learn中，K最近邻算法的K...
-
机器学习之朴素贝叶斯引言 一、概念 1.贝叶斯定理关于[随机]事件A和B的[条件概率]（或[边缘概率]）的一则定理，为了解决一个“逆概率”的问题。贝叶斯公式是在条件概率和全概率公式的基础上得来的...
-
