- 博客(14)
- 资源 (15)
- 收藏
- 关注
RSS订阅原创 第L4周：机器学习-KNN总结-分类
解释一下:X_pred.shape[0] 就是结果总数30. X_pred.shape的结果是（30， 1），那么shpae[0]就是30.可以看到，30个特征值预测了30个结果。把数据集做切分，按8：2比例切，80%用来训练，20%用来预测。第1个：Sepal.Length（花萼长度），单位是cm。第3个：Petal.Length（花瓣长度），单位是cm。第4个：Petal.Width（花瓣宽度），单位是cm;第2个：Sepal.Width（花萼宽度），单位是cm。标签数据中的0，1，2又代表什么呢？
2024-09-24 10:29:11
394
原创 第T1周：Tensorflow实现mnist手写数字识别
为啥要调整图片格式呢，导入数据的时候，图片的形状是这样的（60000， 28，28）意思是有6000张28X28像素的图片，现在要调整成（60000， 28， 28， 1）的形状，为啥要调整形状？因为神经网络使用的数量（图像表）它的形状应该是（样本数、宽、高、通道数），对应到（60000， 28， 28）就是样本数60000张图片，宽28，高28都有了，差一个通道数。如果（60000，28， 28）中的60000是指数量的话，剩下的28 * 28显然。我的机器明明有显卡，但是显示0，不管了，后面再研究。
2024-09-16 12:27:10
1095
原创 第L6周：机器学习-随机森林(RF)
Bagging在做预测时，对于分类任务，使用简单的投票法。若分类预测时出现两个类票数一样时，则随机选择一个。其是由很多决策树构成的，不同决策树之间没有关联。当我们进行分类任务时，新的输入样本进入，就让森林中的每一棵决策树分别进行判断和分类，每个决策树会得到一个自己的分类结果，决策树的分类结果中哪一个分类最多，那么随机森林就会把这个结果当做最终的结果。个人理解：就是通过不维度去使用决策树去分类，每个决策树都有自己的分类结果 ，再把所有的结果进行统计，得出分类最多的那个分类就是预测的最终结果。
2024-09-12 12:06:32
832
原创 第L5周：机器学习：决策树（回归模型）
1. 决策树算法是一种在机器学习和数据挖掘领域广泛应用的强大工具，它模拟人类决策过程，通过对数据集进行逐步的分析和判定，最终生成一颗树状结构，每个节点代表一个决策或一个特征。决策树的核心思想是通过一系列问题将数据集划分成不同的类别或值，从而实现对未知数据的预测和分类。这一算法的开发灵感源自人类在解决问题时的思考方式，我们往往通过一系列简单而直观的问题逐步缩小解决方案的范围。决策树的构建过程也是类似的，它通过对数据的特征进行提问，选择最能区分不同类别的特征，逐渐生成树状结构，最终形成一个可用于预测的模型。
2024-09-04 13:10:57
312
原创 第L5周：机器学习：决策树（分类模型）
1. 决策树算法是一种在机器学习和数据挖掘领域广泛应用的强大工具，它模拟人类决策过程，通过对数据集进行逐步的分析和判定，最终生成一颗树状结构，每个节点代表一个决策或一个特征。决策树的核心思想是通过一系列问题将数据集划分成不同的类别或值，从而实现对未知数据的预测和分类。这一算法的开发灵感源自人类在解决问题时的思考方式，我们往往通过一系列简单而直观的问题逐步缩小解决方案的范围。决策树的构建过程也是类似的，它通过对数据的特征进行提问，选择最能区分不同类别的特征，逐渐生成树状结构，最终形成一个可用于预测的模型。
2024-09-04 12:50:53
864
原创 第L4周：机器学习-K-邻近算法模型（KNN）
那么，在分析一个人时，我们不妨观察和他最亲密的几个人。同理的，在判定一个未知事物时，可以观察离它最近的几个样本，这就是KNN（k-近邻）算法。在KNN中存在两个重要问题，一个是K的取值问题，一个是距离计算问题，这里先不做讨论，仅仅引入KNN这个概念，明白它是一个什么东西，在后面文章中我们再对这两个问题进行深入讨论。蓝色方块与红色三角形为训练集中的实例，绿色小圆是新输入的实例，现在在现有实例中取K个离小绿圆最近实例用于判断其类别。K-近邻算法，即是给定一个训练数据集，输入一个新的实例，
2024-09-03 20:46:25
623
原创 第L3周：机器学习-逻辑回归
通过混淆矩阵，我们可以清晰地看到每个类别的真正例（True Positive, TP）、假正例（False Positive, FP）、真反例（True Negative, TN）和假反例（False Negative, FN）的数量。整数（int)：每次随机的数据集是一样的（固定的），一样的数据集就可以复现模型结果。1.precision:准确率，表示模型在预测为正例的样本中，实际为正例的比例。2.recall:召回率，表示模型在实际为正例的样本中，成功预测为正例的比例。
2024-09-03 20:08:38
680
原创 第L2周：机器学习-线性回归
这个预测结果和上面的Y_test比较一下，可以看到两者之间的差距以及相似性。注：plt.scatter()绘制散点四等小站，plt.plot()绘制折线图。红点是实际分布，蓝色线是预测趋势线。两者是趋于一致的，预测的偏离并不大。下面看看多元线性回归，通过鸢尾花花瓣长度预测花瓣宽度。3. 将dataset切分成训练数据集和测试数据集。看来两者是一样的形状和大小。6. 把测试集预测结果可视化。
2024-09-02 19:04:55
629
原创 第L1周：机器学习-数据预处理
注：原来的NaN处被38.7777778和63.7777778,这个值是通过mean也就是平均值而来，手动计算一下：(44+27+30+38+40+35+48+50+37) / 9 = 38.77777777777778。将数据缩放到一个均值为 0，标准差为 1 的正太分布，消除不同特征量纲的影响，尤其是像支持向量机 (SVM)、逻辑回归、神经网络等基于梯度的模型。●missing_values: 指定需要替换的缺失值。●fit(X, y=None): 拟合 imputer，计算用于替换缺失值的统计值。
2024-08-31 22:38:16
1166
1
原创 使用CACTI监控H3C设备的CPU和内存使用率
使用CACTI监控H3C设备的CPU和内存使用率H3C的CPU和内存没有公开，无法使用通用的OID找到其CPU和内存使用率.不过，H3C网站上已经将H3C的MIB库文件公开，下面就讲讲如何通过公开的MIB库文件找到需要的OID信息。 首先使用OID查看工具来查看一下OID库文件里面到底包含有什么东西。我使用的是：ByteSphere OidView,其官方网站有30天试用版
2010-03-15 16:14:00
8272
2
原创 再续:802.1x验证
前期写了两篇关于802.1X验证的文章(一篇是H3C相关的:http://blog.csdn.net/deflag/archive/2007/10/16/1827115.aspx,另一篇是CISCO相关的:http://blog.csdn.net/deflag/archive/2007/10/12/1821880.aspx),发表之后,很多的网友加我MSN,打我电话,询问相关问题),但是由于时间
2008-01-18 15:41:00
1017
原创 补充:关于802.1X身份验证中CA证书的配置
前几天写了H3C和CISCO两种交换机的802.1X实现方法,但是有人联系我说CA没有配置好,验证不过去.由于时间关系,我这里不写出自己的配置文档.手上有一篇可供参考的配置文档,希望对大家有所帮助.电子版文档在我的究竟中资源里面去下载吧.地址:http://download.csdn.net/user/deflag 使用EAP-TLS（智能卡与证书）实现802.1X－－－－验证
2007-10-18 14:20:00
9926
1
原创 H3C交换机 802.1X+AD+CA+IAS进行RADIUS身份验证
环境与要求都和上一篇Cisco 2950G 802.1X+AD+CA+IAS进行RADIUS身份验证 >>一样,只是交换机的配置文件不同.现在将H3C交换机的802.1x配置文件贴出来:dis cu# sysname layer_2_3# domain default enable autonavi.com# loopback-detection enable# gvrp# dot1x dot
2007-10-16 11:18:00
4692
原创 Cisco 2950G 802.1X+AD+CA+IAS进行RADIUS身份验证
802．1x身份验证要求：1. 交换机支持802.1X协议。2. 有一台RADIUS服务器。3. 一台客户端。网络拓扑： 验证方式： PEAP验证：使用证书＋AD用户集成认证;环境： Operation System: Windows 2003 enterprise edit
2007-10-12 15:08:00
9126
14
Windows Live Installer
2007-11-16
BOINC.EXE
2007-10-27
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人