python机器学习
hehai123321
这个作者很懒,什么都没留下…
展开
-
numpy矩阵相关和线性代数linalg模块
numpy linalg模块# 线性代数# numpy.linalg模块包含线性代数的函数。使用这个模块,可以计算逆矩阵、求特征值、解线性方程组以及求解行列式等。import numpy as np# 1. 计算逆矩阵# 创建矩阵A = np.mat("0 1 2;1 0 3;4 -3 8")print (A)#[[ 0 1 2]# [ 1 0 3]转载 2017-10-31 16:32:34 · 1210 阅读 · 0 评论 -
Python Logistic回归--抛去复杂公式的简单理解
def gradAscent(dataMat,classLabels): dataMatrix = np.mat(dataMat) labelMat = np.mat(classLabels).transpose() m,n = np.shape(dataMatrix) #100,3 alpha = 0.001 maxCycles = 500原创 2019-07-10 10:22:20 · 525 阅读 · 0 评论 -
支持向量机原理总结
支持向量 法向量 截距 复数 虚数 等高线:网上很多举例用的是等高线视角 梯度 凸函数 拉格朗日乘子法 拉格朗日对偶 向量内积 :http://dec3.jlu.edu.cn/webcourse/t000022/teach/chapter5/5_1.htm 松弛变量函数间隔:|w*x+b|,当定义分隔面上方y=1,分隔面下方y=-1时,函数间隔即为y*(w*x+b),用转载 2019-07-16 14:47:17 · 647 阅读 · 0 评论 -
机器学习正则化信息收集
机器学习中常常提到的正则化到底是什么意思?L1正则假设参数的先验分布是Laplace分布,可以保证模型的稀疏性,也就是某些参数等于0;L2正则假设参数的先验分布是Gaussian分布,可以保证模型的稳定性,也就是参数的值不会太大或太小在实际使用中,如果特征是高维稀疏的,则使用L1正则;如果特征是低维稠密的,则使用L2正则。转载 2018-01-05 16:28:31 · 209 阅读 · 0 评论 -
机械压缩去词--代码实现(python数据分析与挖掘实战第15章)
filelist = ['可以,可以可以可以可以可以','很费电很费电很费电']filelist2 = []for a_string in filelist: temp1 = a_string.strip('\n') temp2 = temp1.lstrip('\ufeff') temp3 = temp2.strip('\r') char_list = l...原创 2019-07-03 15:42:05 · 4797 阅读 · 3 评论