Python
雪域枫蓝
走自己的路,让别人无路可走!
展开
-
Python机器学习:numpy之矩阵操作命令
Python机器学习:numpy之矩阵操作命令__author__ = 'gerry'from numpy import *import scipy.spatial.distance as dist # 导入scipy距离公式# Linalg线性代数库# 矩阵的行列式A = mat([[1, 2, 4, 5, 7], [9, 12, 11, 8, 2], [9, 1, 3, 2, 1], [9,原创 2017-11-06 20:42:37 · 683 阅读 · 0 评论 -
Python机器学习:numpy的应用之基本操作命令
Python机器学习:numpy的应用之基本操作命令# -*- coding: utf-8 -*-__author__ = 'gerry'import numpy as np#1.2.3矢量化编程与GPU运算#矢量化编程:# 基于矩阵的算法都是针对向量的,也称为矢量,为了简化的逻辑,需要一种新的编程方法,处理基于运算,这就是所谓的矢量化编程#矢量化编程的一个重要的特点就是可以直接将数学公式转换为原创 2017-11-06 20:40:59 · 397 阅读 · 0 评论 -
Python机器学习ufunc函数
# -*- coding: utf-8 -*-__author__ = 'gerry'import numpy as npimport matplotlib.pyplot as pltimport mathimport datetimefrom mpl_toolkits.mplot3d import Axes3D# ufunc函数# ufunc韩式是一种能对数组的每个元素进行运算的函数,原创 2017-11-08 01:56:18 · 731 阅读 · 0 评论 -
Python机器学习案例之朴素贝叶斯分类--文本、邮件分类
# -*- coding: utf-8 -*-__author__ = 'gerry''''朴素贝叶斯分类:计算出每个样本在各个类别中的概率,然后划分类别 优点:在数据较少的情况下仍然有效,可以处理多类别问题 缺点:对于输入数据的准备方式较为敏感 适合数据类型:标称型数据 贝叶斯准则:计算条件概率的方法 已知P(x|c),求P(c|x)原创 2017-11-13 03:47:42 · 925 阅读 · 1 评论 -
Python机器学习之决策树案例
# -*- coding: utf-8 -*-__author__ = 'gerry'# 先导入所有的classimport xgboostfrom numpy import *from sklearn import model_selectionfrom sklearn.metrics import accuracy_score# load 数据集dataset = loadtxt('原创 2017-11-19 20:49:59 · 861 阅读 · 0 评论 -
Python机器学习之XGBoost从入门到实战(基本理论说明)
Xgboost从基础到实战XGBoost:eXtreme Gradient Boosting * 应用机器学习领域的一个强有力的工具 * Gradient Booting Machines(GBM)的优化表现,快速有效 —深盟分布式机器学习开源平台(Distributed machine learning Community,DMLC)的分支 —DML原创 2017-11-19 20:54:50 · 1160 阅读 · 0 评论 -
Python机器学习之XGBoost从入门到实战(代码实现)
# -*- coding: utf-8 -*-__author__ = 'gerry'''' XGBoost案例之蘑菇是否有毒 任务:根据蘑菇的22个特征判断蘑菇是否有毒 数据介绍: 总样本数:8124 -可食用:4208,51.8% -有毒:3916,48.2%原创 2017-11-19 21:00:13 · 4924 阅读 · 1 评论 -
Python机器学习之决策树(理论说明)
机器学习第一章:决策树、随机森林、GDBT和XGBoost 主要内容: 决策树Decision Tree * 介绍 * 熵Entropy:衡量划分子树的标准 H(S) = -P1log(P1)-P2log(P2) (以2为底) * 信息增益 Information Gain * 常见算法 * 过度拟原创 2017-11-19 21:04:59 · 470 阅读 · 0 评论 -
Python机器学习numpy依赖包特征之间的相关性
# -*- coding: utf-8 -*-__author__ = 'gerry'''' @time 10 Nov 2017 @auther gerry 特征之间的相关性 期望:衡量样本某个特征列取值范围的平均值 方差:衡量样本某个特征列取值范围的离散程度 协方差矩阵和相关系数:衡量样本特征列之间线性相关性'''from原创 2017-11-16 03:33:07 · 1733 阅读 · 0 评论