![](https://img-blog.csdnimg.cn/20201014180756925.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
算法训练
文章平均质量分 84
yijia7590jfz
试图跨行执法
展开
-
Python基础笔记
跟随菜鸟教程学习的过程中记录。 仅记录自己不熟悉的地方,以及与Java、C存在明显差异的地方。 注释 \ 表示一行语句的多行显示 多行注释 '''、"""包裹 多个变量,不换行输出,在变量名之间加逗号 python标准数据类型 numbers、string、list、tuple、dictionary(元组与字典) 字符串,使用[头下标:尾下标]截取相应的字符串,结果会返还一个新的对象。 【python列表截取】除去头尾下标外,可以接收第三个参数,参数作用是截取步长。 char[1:4:2]下标区.原创 2022-05-15 20:18:37 · 184 阅读 · 0 评论 -
【TL第二期】动手学数据分析-第三章模型建立与评估
文章目录第三章第一节 建立模型数据清洗的结果模型选择切割数据集模型创建第二节 模型评估 第三章 第一节 建立模型 任务:完成泰坦尼克号的存活预测 复习: 库的作用; matplotlib-绘图,开源MatLab;seaborn-基于Python,在matplotlib的基础上进行了更高一级的封装,作图更方便; 数据清洗的结果 清洗后数据和原数据的不同:shape不一样;没有survived(结果值)、name(无关变量)两栏;文本数据都转变为数值数据;。 模型选择 首先需要知道是监督学习还是无监督学习。原创 2021-12-23 20:39:33 · 1203 阅读 · 0 评论 -
【TL第二期】动手学数据分析-第二章 数据预处理
第二章 第一节 数据清洗及特征处理 数据清洗:对于原始数据中的缺失值、异常值进行处理。相当于数据预处理。 待处理的情况:缺失值、重复值、字符串和数据转换。 缺失值 如何查看各列缺失值的情况: df.info() # 可以查看每一列数据的缺失值情况,及数据类型 df.isnull().sum() # 直接统计缺失情况 检索缺失值: # 检索空缺值的三种方式 df[df['Age']==None]=0 df[df['Age'].isnull()]=0 df[df['Age']==np.nan]=0原创 2021-12-17 00:05:07 · 412 阅读 · 0 评论 -
【TL第二期】动手学数据分析-第一章 数据基本操作
第一章 第一节 数据载入与初步观察 0 导库 导入pandas、numpy(都是用于数据分析的库) 1 载入数据 使用相对路径或绝对路径打开文件 相对路径:如果在同一文件夹下,直接访问文件名;如果不在同一级目录下: ./:代表目前所在的目录 ../:代表上一层目录 以/开头:代表根目录 绝对路径: import os import pandas as pd os.path.abspath('.') #表示当前所处的文件夹的绝对路径 os.path.abspath('..') #表示原创 2021-12-14 20:24:32 · 2014 阅读 · 0 评论 -
【TL第一期】李宏毅ML-第五节 网络设计的技巧
网络设计的技巧 1. optimization失败的时候应该怎么办 为什么会失败。 对于Loss的最后的值不满意。 某一处,梯度趋近于0。 但不仅仅可能是局部最小值,也可能是鞍状。 如何知道所处的位置(critical point)是哪一个? local minima暂时无法逃离 saddle point可以鉴别,在其周围存在更低点 怎么知道Loss function的形状?【数学公式推导】 在ɵ’处的Loss fuction可以用泰勒公式表示: 如何根据后面这一项判断critical poi原创 2021-11-24 17:11:16 · 317 阅读 · 0 评论 -
【TL第一期】李宏毅ML-第三节 误差、梯度下降
误差、梯度下降 误差 误差的来源:bias和variance(偏差和方差) 以例说明:①bias:瞄准的位置偏离正确位置;②瞄准位置处的离散偏差。 简单的模型受到不同data的影响较小,而复杂的模型,data变化较大时,其模型方程式会变化很多。方差会很大,但平均值(偏差)与预期函数相差较小。 每次选定方程,都相当于确定了一个model set,之后训练的每一个模型都只能在这个范围内寻找。当次数足够多时,即使偏差很大,方差也可以很小。 过拟合:误差来源于方差(训练集效果好,但测试集效果差) 欠原创 2021-11-19 15:54:10 · 732 阅读 · 0 评论 -
【TL第一期】李宏毅ML-第二节 回归
机器学习:回归 确定选用模型的类别 如果对于需要探究的问题,只有一个影响因素(又叫特征),则可以采用一元线性模型 如果有多个影响因素(多个特征),则考虑多元线性模型。 评判模型的好坏 损失函数(Loss function):求原始数据标签值与模型预测值的差,来判定模型的好坏。 损失函数越小,模型的预测值与真实值的吻合程度越高。 筛选最优模型的方法 为了获得最小的损失函数,我们可以使用梯度下降的方法。 首先在损失函数上取一个初始值,从初始值所在的位置开始,往梯度下降的方向行进,每次运动一个步长的原创 2021-11-17 19:40:24 · 199 阅读 · 0 评论 -
周志华《机器学习》学习笔记-线性模型
周志华《机器学习》学习笔记 文章目录周志华《机器学习》学习笔记第三章 线性模型3.1 基本形式3.2 线性回归1 一元线性回归2 多元线性回归3 对数线性回归4 广义线性模型3.3 对数几率回归(逻辑回归)二分类问题(0、1)对数几率回归的优点3.4 线性判别分析3.5 多分类学习3.6 类别不平衡问题 第三章 线性模型 3.1 基本形式 普通的线性回归,将所给的属性的取值回归到一条线上(实数集) 函数形式: 向量形式: 3.2 线性回归 (问题描述) 1 一元线性回归 2 多元线性回归 3 对原创 2021-05-09 11:08:10 · 333 阅读 · 0 评论