监督学习 Logistic回归 概念 划分两个数据集之间的分界线，类似回归 梯度下降算法 随机梯度下降 减少计算量 优点 计算代价不高 易于理解和实现 缺点 容易欠拟合 分类精度可能不高 适用 数值型 标称型 案例 从病症预测死亡率 支持向量机 SVM 概念 将数据……

阅读全文

回归 线性回归 优点 易于理解 计算不复杂 缺点 对非线性数据拟合不好 适用 数值型 标称型 数据特征比样本多 岭回归 lasso 前向逐步回归 树回归 概念 对数据进行二元切分 节点为数值或线性函数 优点 可以对复杂和非线性数据建模 缺点 结果不易理解 适用 数值型 标称型……

阅读全文

k-近邻算法 kNN 概念 采用测量不同特征值之间的距离方法进行分类 优点 精度高 对异常值不敏感 无数据输入假定 缺点 计算复杂度高 空间复杂度高 适用 数值型 标称型 案例 约会网站效果匹配 手写识别 决策树 概念 按特征值划分法 二元划分法 划分数据集原则 信息……

阅读全文

降维 好处 使数据集更易使用 降低很多算法的计算开销 去除噪声 使结果易懂 PCA Principal Component Analysis 主成分分析 概念 以方差的大小来决定新的维度 优点 降低数据的复杂性 识别最重要的多个特征 缺点 不一定需要 可能损失有用信息 适用 数值型 案例 半导体制造数据降维 SVD Singular Value……

阅读全文

无监督学习 K-均值聚类 概念 设定簇个数 随机确定初始簇心 寻找各点最近的簇心 避免收敛到局部最小 度量效果 SSE误差平方和 后处理 将最大SSE簇拆分 合并 最近质心 使SSE增加最小的两个质心 二分K-均值 有一个簇不断一分为二 优点 易实现 缺点……

阅读全文

TensorFlow机器学习进阶教程 第1章 TensorFlow基础 1.1 TensorFlow介绍 1.2 TensorFlow如何工作 1.3 声明张量 1.4 使用占位符和变量 1.5 操作(计算)矩阵 1.6 声明操作 1.7 实现激励函数 1.8 读取数据源 1.9 学习资料 第2章……

阅读全文

主要有监督学习方面、神经网络方面、大数据等方面。直接看图……

阅读全文

**数组创建 **arange, array, copy, empty, empty_like, eye, fromfile, fromfunction, identity, linspace, logspace, mgrid, ogrid, ones, ones_like, r, zeros, zeros_like **数组转换 **ndarray.astype, atleast_1d, atleast_2d, atleast_3d, mat **操作 **array_split, column_stack, concatenate, diagonal, dsplit, dstack, hsplit, hstack, ndarray.item, newaxis, ravel, repeat, reshape, resize, squeeze, swapaxes, take, transpose, vsplit, vstack **问题 **all, any, nonzero, where **排列 **argmax, argmin, argsort, max, min, ptp, searchsorted, sort 运算 choose, compress, cumprod, cumsum, inner, ndarray.fill, imag, prod, put, putmask, real, sum **基础统计 **cov, mean, std, var **基本线性代……

阅读全文

一**、NumPy简介** 1、NumPy简介是 机器学习三剑客之一。 NumPy(Numerical Python) 是 Python 语言的一个扩展程序库，支持大量的维度数组与矩阵运算，同时对数组运算提供了大量的数学函数库。 Numpy 是一个运行速度非常快的数学库，内部解除了CPython……

阅读全文

机器学习有非常多的包，最著名的是这三个numpy、pandas、matplotlib 被称为机器学习三剑客。 1 numpy 主要用于数组与矩阵计算，是大量机器学习框架的基础库。 2 Pandas是基于Numpy开发出的,专门用于数据分析的……

阅读全文