深度学习
文章平均质量分 60
北顾丶
如果你感到此时自己很辛苦
告诉自己
容易走的是下坡路
辛苦
是因为你正在走上坡路
展开
-
机器学习实战-决策树实战
ID3算法ID3算法的核心是在决策树各个结点上对应信息增益准则选择特征,递归地构建决策树。具体方法是:从根结点(root node)开始,对结点计算所有可能的特征的信息增益,选择信息增益最大的特征作为结点的特征,由该特征的不同取值建立子节点;再对子结点递归地调用以上方法,构建决策树;直到所有特征的信息增益均很小或没有特征可以选择为止,最后得到一个决策树。ID3相当于用极大似然法进行概率模型的选择...原创 2019-02-27 20:46:16 · 1831 阅读 · 0 评论 -
K近邻算法-约会网站配对实例
背景海伦女士一直使用在线约会网站寻找适合自己的约会对象。尽管约会网站会推荐不同的任选,但她并不是喜欢每一个人。经过一番总结,她发现自己交往过的人可以进行如下分类:不喜欢的人魅力一般的人极具魅力的人海伦收集约会数据已经有了一段时间,她把这些数据存放在文本文件datingTestSet.txt中,每个样本数据占据一行,总共有1000行。海伦收集的样本数据主要包含以下3种特征:...原创 2019-02-24 12:01:46 · 788 阅读 · 0 评论 -
K近邻算法-sklearn手写数字识别实例
背景对于需要识别的数字使用图形处理软件,处理成具有相同的色彩和大小:宽高是32像素x32像素。尽管采用本文格式存储图像不能有效地利用内存空间,但是为了方便理解,将图片转换为文本格式。数据集地址下载数字图片是32x32的二进制图像,为了方便计算,将32x32的二进制图像转换为1x1024的向量(32*32=1024)。对于sklearn的KNeighborsClassifier输入可以是...原创 2019-02-24 20:19:11 · 1057 阅读 · 0 评论 -
朴素贝叶斯算法--实例
实例举一个例子。为了不影响社区的发展,我们要屏蔽侮辱性的言论,所以要构建一个快速过滤器,如果某条留言使用了负面或者侮辱性的语言,那么就将该留言标志为内容不当。过滤这类内容是一个很常见的需求。对此问题建立两个类型:侮辱类和非侮辱类,使用1和0分别表示。我们把文本看成单词向量或者词条向量,也就是说将句子转换为向量。考虑出现所有文档中的单词,再决定将哪些单词纳入词汇表或者说所要的词汇集合,然后必须要...原创 2019-02-28 22:29:56 · 761 阅读 · 0 评论 -
朴素贝叶斯--过滤垃圾邮件实例
使用朴素贝叶斯解决一些现实生活中的问题时,需要先从文本内容得到字符串列表,然后生成词向量。下面这个例子中,我们将了解朴素贝叶斯的一个最著名的应用:电子邮件垃圾过滤。数据集下载1. 准备数据import re"""函数说明:接收一个大字符串并将其解析为字符串列表Parameters: 无Returns: 无"""def textParse(原创 2019-03-01 20:49:35 · 5359 阅读 · 0 评论 -
朴素贝叶斯--新浪新闻分类实例
对于英文的语句可以通过非字母和非数字进行切分,但是汉语中的一句话该如何进行切分呢?我们可以直接使用第三方分词组件,即jieba来实现分词。安装pip install jieba切分中文语句import osimport jiebadef TextProcessing(folder_path): folder_list = os.listdir(folder_path) ...原创 2019-03-02 15:52:34 · 1177 阅读 · 0 评论 -
机器学习实战-决策树实例
决策树决策树是什么?决策树(decision tree)是一种基本的分类与回归方法。举个通俗易懂的例子,如下图所示的流程图就是一个决策树,长方形代表判断模块(decision block),椭圆形成代表终止模块(terminating block),表示已经得出结论,可以终止运行。从判断模块引出的左右箭头称作为分支(branch),它可以达到另一个判断模块或者终止模块。我们还可以这样理解,分类决...原创 2019-02-26 21:06:51 · 462 阅读 · 0 评论 -
K-近邻算法 代码实例-通过数据集创建散点图
1. 创建散点图在使用创建散点图的时候,中文显示不出来,需要python中添加中文字体,在头部添加 import matplotlib as mpl,mpl.rcParams[‘font.sans-serif’] = [‘SimHei’],这两行代码。函数的作用是从文件中读入训练数据,然后存储为矩阵。“”"函数作用:从文件中读入训练数据,并存储为矩阵:param filename:文件名字...原创 2019-09-10 16:03:22 · 770 阅读 · 0 评论