- 博客(11)
- 资源 (2)
- 收藏
- 关注
RSS订阅原创 决策树回归
import numpy as npimport matplotlib.pyplot as pltfrom sklearn.tree import DecisionTreeRegressorif __name__ == "__main__": N = 50 x = np.linspace(-3, 3, N) y = np.sin(x) + np.random.ra...
2019-07-28 20:58:39
264
原创 使用随机森林的方法预测鸢尾花数据的分类
首先说一下，该数据集来源于网络。Iris也称鸢尾花卉数据集，是一类多重变量分析的数据集。通过花萼长度，花萼宽度，花瓣长度，花瓣宽度4个属性预测鸢尾花卉属于（Setosa，Versicolour，Virginica）三个种类中的哪一类。数据来源：http://archive.ics.uci.edu/ml/datasets/Irisimport numpy as npimpor...
2019-07-28 20:28:27
2789
原创 决策树做回归及其与Ridge回归的对比
决策树是既可以做分类又可以做回归的模型，这篇文章我们来测试一下它的回归的效果如何。首先，我们来生成一些数据：import numpy as npimport matplotlib as mplfrom sklearn.linear_model import RidgeCVfrom sklearn.ensemble import BaggingRegressorfrom sklea...
2019-07-28 11:45:41
534
原创 使用filter过滤不定长空格的字符串
a = 'a d f e d wd'aList = a.split(" ")def sss(a): if len(a) > 0: return aa = list(filter(sss, aList))print(a)结果如下：['a', 'd', 'f', 'e', 'd', 'wd']...
2019-07-24 10:34:43
695
原创 简单线性回归 Elastic Net 的应用及画图（四）
上篇提到了Lasso，表现虽然不如Ridge好，但是具有特征选择的特性那么能不能把这两个模型进行融合呢，Elastic NEt 就是起到了这样的作用，损失函数表达式如下：代码如下：import numpy as npfrom sklearn.linear_model import ElasticNetCVfrom sklearn.preprocessing impo...
2019-07-23 23:52:48
1733
原创 简单线性回归Lasso的应用及画图（三）
上篇提到了Ridge，表现很好，避免了过拟合的情况，本文使用的模型是Lasso模型，就是在损失函数中加入了L1正则项，函数 表达式如下：代码如下：import numpy as npfrom sklearn.linear_model import LassoCVfrom sklearn.preprocessing import PolynomialFeatures...
2019-07-23 23:37:37
9683
1
原创 简单线性回归Ridge的应用及画图（二）
上篇提到，当次数高时就会出现严重的龙格现象，实际上就是过拟合了，为了降低过拟合的现象，本文使用的模型是Ridge模型，就是在损失函数中加入了L2正则项，函数 表达式如下：其中生成的数据跟上篇一样，代码如下：import numpy as npfrom sklearn.linear_model import RidgeCVfrom sklearn.preprocessing imp...
2019-07-23 23:20:29
990
原创 简单线性回归的应用及画图（一）
本文采用线性回归的模型进行了练习。使用的模型的损失函数如下： 代码首先生成了一些用于使用线性回归的数据然后加上了一些噪声，然后使用简单的线性回归和多项式回归进行拟合，画图计算的得分值并画图来判断拟合的效果：import numpy as npfrom sklearn.linear_model import LinearRegressionfrom sk...
2019-07-23 22:47:14
6967
原创 二类分类中基尼指数、 熵之半和分类误差率的关系
import numpy as npfrom matplotlib import pyplot as plt import matplotlib as mplmpl.rcParams['font.sans-serif'] = ['simHei']mpl.rcParams['axes.unicode_minus'] = Falsep = np.linspace(0.0001, 0.99...
2019-07-12 15:10:26
4256
4
原创 np.newaxis的作用
import numpy as npx_data = np.linspace(0, 10, 10) print("x_data形状:", x_data.shape, "\nx_data值：", x_data)x_data2 = x_data[:, np.newaxis] # 将一维数组，转换为二维数组print("\nx_data2形状:", x_data2.shape, "\...
2019-07-01 22:36:23
641
原创 TensorFlow最简单的神经网络案例
TensorFlow 的运行方式分如下 4 步：（1）加载数据及定义超参数；（2）构建网络；（3）训练模型；（4）评估模型和进行预测 下面我们以一个神经网络为例，讲解 TensorFlow 的运行方式。在这个例子中，我们构造一个满足一元二次函数 y = ax2+b 的原始数据，然后构建一个最简单的神经网络，仅包含一个输入层、一个隐藏层和一个输出层。通过 TensorFlow...
2019-07-01 21:57:02
2434
1
GoogleNews-vectors-negative300网盘地址.txt
2019-12-09
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人