![](https://img-blog.csdnimg.cn/20201014180756928.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
机器学习
文章平均质量分 87
hutugui2009
这个作者很懒,什么都没留下…
展开
-
一起挖掘幸福感赛事学习
幸福感预测BaseLine----线上0.473 import sys import gc import pandas as pd import matplotlib import numpy as np import scipy as sp from scipy import stats from scipy.stats import norm,skew,kurtosis #for some statistics import IPython from IPython import display imp原创 2020-12-24 15:29:27 · 211 阅读 · 1 评论 -
算法实践:进阶使用(day9)
2.4.3 模拟数据集–kNN回归 Step1: 库函数导入 #Demo来自sklearn官网 import numpy as np import matplotlib.pyplot as plt from sklearn.neighbors import KNeighborsRegressor Step2: 数据导入&分析 np.random.seed(0) # 随机生成40个(0, 1)之前的数,乘以5,再进行升序 X = np.sort(5 * np.random.rand(40, 1),原创 2020-12-23 23:20:54 · 180 阅读 · 1 评论 -
算法实践:KNN分类(day08)
2.4 算法实战 2.4.1 Demo数据集–kNN分类 Step1: 库函数导入 import numpy as np import matplotlib.pyplot as plt from matplotlib.colors import ListedColormap from sklearn.neighbors import KNeighborsClassifier from sklearn import datasets Step2: 数据导入 # 使用莺尾花数据集的前两维数据,便于数据可视化原创 2020-12-22 22:46:40 · 190 阅读 · 0 评论 -
基础学习:了解 K近邻理论
机器学习算法(三):K近邻(k-nearest neighbors)初探 1 KNN的介绍和应用 1.1 KNN的介绍 kNN(k-nearest neighbors),中文翻译K近邻。我们常常听到一个故事:如果要了解一个人的经济水平,只需要知道他最好的5个朋友的经济能力, 对他的这五个人的经济水平求平均就是这个人的经济水平。这句话里面就包含着kNN的算法思想。 示例 :如上图,绿色圆要被决定赋予哪个类,是红色三角形还是蓝色四方形?如果K=3,由于红色三角形所占比例为2/3,绿色圆将被赋予红色三角形那个类原创 2020-12-21 22:43:45 · 137 阅读 · 0 评论 -
算法实践:模拟离散数据集--贝叶斯分类(day6)
模拟离散数据集–贝叶斯分类 Step1: 库函数导入 + Step2: 数据导入&分析 + Step3: 模型训练&可视化 + Step4: 原理简析 import random import numpy as np # 使用基于类目特征的朴素贝叶斯 from sklearn.naive_bayes import CategoricalNB from sklearn.model_selection import train_test_split Step2: 数据导入&分析 # 模原创 2020-12-20 21:42:34 · 268 阅读 · 0 评论 -
莺尾花数据集–贝叶斯分类(day5)
莺尾花数据集–贝叶斯分类 Step1: 库函数导入 import warnings warnings.filterwarnings('ignore') #忽略了警告错误的输出 import numpy as np # 加载莺尾花数据集 from sklearn import datasets print(sklearn.__version__) # 导入高斯朴素贝叶斯分类器 #一共有3个朴素贝叶斯的分类算法: #GaussianNB,先验为高斯分布的朴素贝叶斯 #MultinomialNB,先验为多项式原创 2020-12-19 19:34:57 · 476 阅读 · 1 评论 -
基础学习:了解朴素贝叶斯理论(day04)
朴素贝叶斯算法 朴素贝叶斯法 = 贝叶斯定理 + 特征条件独立。 输入X∈RnX \in R^nX∈Rn空间是n维向量集合,输出空间y={c1,c2,...,cK}y=\{c_1,c_2,...,c_K\}y={c1,c2,...,cK}. 所有的X和y都是对应空间上的随机变量. P(X,Y)P(X,Y)P(X,Y)是X和Y的联合概率分别. 训练数据集(由P(X,Y)P(X,Y)P(X,Y)独立同分布产生): T={(x1,y1),(x2,y2),...,(xN,yN)}T=\{(x_1,y_1),原创 2020-12-18 12:10:34 · 95 阅读 · 0 评论