机器学习
gagaki
这个作者很懒,什么都没留下…
展开
-
机器学习实践————神经网络
这里只讨论简单的多层感知机(MLP),也被称为普通的前馈神经网络。神经网络调参import mglearnimport matplotlib.pyplot as pltimport numpy as npfrom sklearn.model_selection import train_test_splitfrom sklearn.neural_network import MLPClassifierfrom sklearn.datasets import make_moonsX,y=ma原创 2020-06-29 13:33:06 · 449 阅读 · 0 评论 -
机器学习实践————SVM
核支持向量机可以推广到更复杂模型的扩展,这些模型无法被输入空间的超平面定义。导入需要的包import sklearnimport mglearnimport matplotlib.pyplot as plt1、线性模型与非线性特征线性模型在低维空间可能非常受限,因为线和平面的灵活性有限,比如一个二维数据,我们只能用直线来分。添加更多的特征可以让线性模型变得灵活,从而更好的划分数据。X,y=mglearn.datasets.make_blobs(centers=4,random_state=8)原创 2020-06-21 18:12:42 · 386 阅读 · 0 评论 -
机器学习实践———朴素贝叶斯、决策树
目录朴素贝叶斯分类器决策树1、构造决策树2、控制决策树的复杂度3、决策树可视化4、树的特征重要性决策树集成朴素贝叶斯分类器与线性模型相似,相比起来训练速度更快,但是模型泛化能力稍差。高效的原因是通过查看每个特征来学习参数,从每个特征中收集简单的类别统计数据。sklearn中实现了3种朴素贝叶斯分类器:GuassianNB:高斯贝叶斯分类器,应用于任意连续数据。保存每个类别中每个特征的平均值和标准差。BernoulliNB:伯努利贝叶斯分类器,输入数据是二分类数据。计算每个类别中每个特征不为0的元原创 2020-06-18 18:42:47 · 1218 阅读 · 0 评论 -
机器学习实践——线性模型
线性模型利用输入特征的线性函数进行预测。通过调节模型的参数W和b来使得模型拟合数据。导入需要用的包import matplotlib.pyplot as pltimport mglearn#这个库中的plots模块对matplotlib.pyplot做出了修改,更适合绘制类和集群from sklearn.model_selection import train_test_split#切分数据集1、用于回归的线性模型公式:y=w[0]*x[0]+w[1]*x[1]+…w[p]*x[p]+b对于单原创 2020-06-16 23:44:39 · 690 阅读 · 0 评论