H_2am的博客

原创 第6章 支持向量机 知识点总结——周志华西瓜书（机器学习）

第6章 支持向量机 知识点总结

原创 第1章 机器学习绪论 知识点总结——周志华西瓜书（机器学习）

第1章 机器学习绪论 知识点总结

原创 第3章 线性模型 思维导图——周志华西瓜书（机器学习）

西瓜书第三章思维导图

原创 pandas DataFrame 缺失值处理（数据预处理）

pandas DataFrame 缺失值处理

原创 vscode修改编码方式后不起作用，仍然出现中文乱码问题

问题描述：非常坑，用vscode写C语言代码时没注意，在utf-8编码方式下写的，注释用的简体中文，运行时终端的中文输出显示为乱码，将编码方式改为GB-2312后，代码中所有的中文注释全部变为乱码，改回utf-8中文显示依然是乱码，总之无论改用哪种编码方式中文显示都是乱码。解决方案：经过多次试验发现，在utf-8编码方式下写的中文，即使将编码方式改为GB2312后仍会是乱码，只有将编码方式先设置为GB2312，再重新输入中文才不会出现中文乱码。虽然不敢相信居然有这种问题，但我这边的情况确实是这样。。

原创 调用自定义函数报错UnboundLocalError: local variable ‘xxx‘ referenced before assignment

最近在跟着老师做项目，感觉自己总算是写出点像样的python代码，所以学生时代多跟着老师做事情总是没错的。在写程序的的过程中遇到了这样的问题，自定义了一个名为getData(path)的函数，返回值为data（一个m × m 的ndarray），在调用这个函数的时候出现了这样的报错：UnboundLocalError: local variable ‘data’ referenced before assignment自己也上网查了下，大多数的解释都是同样的内容，说是局部变量和全局变量混用的问题（比如

原创 用python代码实现一个简单的FSA（有限状态自动机）

前一篇文章介绍了什么是FSA以及用FSA识别字符串的基本原理。这篇文章就是基于状态转移表，用一个具体的例子讲一下一个简单的FSA如何用Python代码实现。前一篇介绍FSA的文章：https://blog.csdn.net/H_2am/article/details/108651905回顾一下通过状态转移理解FSA识别字符串的工作过程，一个状态转移表如下图：它识别一个字符串的工作过程是：定义初始状态为０，接收状态为４，从初始状态０开始，如果输入ｂ，则进入１状态，如果输入ａ或！则拒绝，识别失败，就这样

原创 通俗易懂理解有限状态自动机 FSA 的表示和原理

有限状态自动机（FSA），通常的作用就是用一种更加直观的方式来表示正则化表达式。有限状态自动机FSA的表达形式用一个例子来解释以下FSA（以下简称自动机）的表达形式。我们把羊的语言（叫声）抽象为：baaa…！ 用正则化表达式可以表示为 / baa+！/，接下来我们看以下用自动机如何表示羊的语言：上图就是用自动机表示的羊的叫声。如图所示，我们用有向图来表示自动机，有向图由两个集合组成，节点的集合和连接两节点弧线的集合，节点表示状态，弧线表示进入下一个状态的条件。图中，q0表示初始状态，q4表示终极状态

原创 numpy 构建每行内容相同，指定行数的array

直接上代码~data = np.float32([]).reshape(0,3) #初始化datatmp = np.array([[1,1,0]]) #每行内容for i in range(3): #想构建3行 data = np.append(data,tmp,axis=0)data结果如下：

原创 数据预处理——缺失值处理(细讲具体代码实现）

最近在参加机器学习算法类的比赛，对一些知识点进行了查漏补缺和归纳总结，其实收获还挺多的，不得不说比赛是一个让人快速成长并且拓宽视野的过程，接下来就进入正题。我们做机器学习任务的时候，通常情况下，拿到的数据都会存在缺失值，而数据预处理首先需要做的就是对存在的缺失值进行处理，这里我总结了处理缺失值的几种方法，并详细地解释了如何用代码实现，完全足够解决处理缺失值这一问题。缺失值处理1、观察数据是否存在缺失值1）使用pandas.isnan()判断：2）使用DataFrame.info()函数判断：2、处理缺失

原创 k-近邻算法（KNN）原理

KNN算法概述K-近邻算法（KNN，K-NearestNeighbor）是最常用的分类算法之一，属于有监督学习中的分类算法。先来看个例子：如图，对于一个待分类点（绿色圆点），如果K = 3，绿色圆点最近的3个邻居是2个红色三角形和1个蓝色正方形，少数服从多数，基于统计的方法，判定该分类点属于红色三角形一类。如果K = 5，绿色圆点最近的5个邻居是2个红色三角形和3个蓝色正方形，少数服从多数，基于统计的方法，判定该分类点属于蓝色正方形一类。KNN算法基本思想：对待分类的点：①计算已知类别数据

原创 第2章 模型评估与选择 思维导图——周志华西瓜书（机器学习）