- 博客(26)
- 资源 (4)
- 收藏
- 关注
RSS订阅原创 5.4 Logistic回归
# 使用LogisticRegression类构建Logistic回归模型from sklearn.linear_model import LogisticRegressionlr_model = LogisticRegression(solver='saga')# 训练Logistic回归模型lr_model.fit(x_trainStd, y_train)#print('训练出来的LogisticRegression模型为：\n', lr_model)print('各特征的相关系数为：.
2022-05-05 17:42:52
742
原创 5 线性回归
from sklearn.datasets import load_bostonfrom sklearn.model_selection import train_test_split# 导入load_boston数据，波士顿房价数据boston = load_boston()x = boston['data']y = boston['target']names = boston['feature_names']# 将数据划分为训练集和测试集x_train, x_test, y_tra.
2022-05-05 17:41:03
1212
原创 5.1 最小二乘法拟合函数
import numpy as npfrom scipy import optimizeimport matplotlib.pyplot as pltfrom matplotlib import rcParamsrcParams['font.sans-serif'] = 'SimHei'rcParams['axes.unicode_minus'] = False# 定义原始函数def func(x,p): ''' x：表示函数的未知数x。 p：接收tuple，.
2022-05-05 17:32:57
837
原创 4 分类算法
from sklearn.datasets import load_breast_cancerfrom sklearn.model_selection import train_test_split# 导入load_breast_cancer数据cancer = load_breast_cancer()x = cancer['data']y = cancer['target']# 将数据划分为训练集测试集x_train, x_test, y_train, y_test = train_te.
2022-04-07 10:39:33
987
原创 3.4 支持向量机异常检测
import numpy as npimport matplotlib.pyplot as pltimport matplotlib.font_managerfrom sklearn import svm# Generate train dataX = 0.3 * np.random.randn(100, 2)#np.r_是按列连接两个矩阵，就是把两矩阵上下相加，要求列数相等。#np.c_是按行连接两个矩阵，就是把两矩阵左右相加，要求行数相等。X_train = np.r_[X + 2,.
2022-04-07 10:36:09
516
原创 验证曲线SVC
from sklearn.model_selection import validation_curvefrom sklearn.datasets import load_digitsfrom sklearn.svm import SVCimport matplotlib.pyplot as pltimport numpy as npdigits = load_digits()X = digits.datay = digits.target#建立参数测试集param_range = .
2022-04-07 10:34:13
111
原创 学习曲线SVC
from sklearn.model_selection import learning_curvefrom sklearn.datasets import load_digitsfrom sklearn.svm import SVCimport matplotlib.pyplot as pltimport numpy as npdigits = load_digits()X = digits.datay = digits.targettrain_sizes, train_loss, te.
2022-04-07 10:32:33
170
原创 3 机器学习
from sklearn import datasetsiris = datasets.load_iris()from sklearn.model_selection import train_test_splitX_train,X_test,y_train,y_test=train_test_split(iris.data,iris.target,test_size=0.4,random_state=0)from sklearn import svm#建立模型svc = svm.SVC(.
2022-04-07 10:29:31
1353
原创 分类与聚类
from sklearn.datasets import load_irisiris = load_iris()iris_data = iris['data'] ##提取数据集中的特征iris_target = iris['target'] ## 提取数据集中的标签iris_names = iris['feature_names'] ### 提取特征名print('iris数据集的特征名为：\n',iris_names)#sepal：花萼，petal：花瓣iris特征集的特征名为.
2021-12-10 08:51:38
770
原创 预处理与降维
from sklearn.datasets import load_bostonboston = load_boston()boston_data = boston['data']boston_target = boston['target']boston_names = boston['feature_names']print('boston数据集数据的形状为：',boston_data.shape)print('boston数据集标签的形状为：',boston_target.shape).
2021-12-10 08:44:17
491
原创 6.1 回归分析
import numpy as npfrom scipy import optimizeimport statsmodels.api as smfire = np.loadtxt('./fire.csv', delimiter=',')blood = np.loadtxt('./blood.csv', delimiter=',') study = np.loadtxt('./study.csv', delimiter=',')# 代码6-1# 方法一x = fire[:,0]y .
2021-12-10 08:35:44
488
原创 4.3 特征分解
import mathimport numpy as np# 代码4-29A = np.matrix([[3, -1],[-1, 3]])# 方法一print('矩阵A的特征值为：', np.linalg.eigvals(A))矩阵A的特征值为： [4. 2.]# 方法二A1,A2 = np.linalg.eig(A)print('矩阵A的特征值为：', A1)print('矩阵A的特征向量为：\n', A2)矩阵A的特征值为： [4. 2.]矩阵A的特征向量为：.
2021-11-24 10:33:41
146
原创 5.4 非线性方程求解
import numpy as npfrom scipy import optimize# 代码5-14# 定义求解函数def f1(x): ''' x：表示函数的未知数x。 ''' return(2.5*x**2-15*x-100)# 定义二分法函数def dichotomy(a,b,preci_ratio = 10**-2): ''' a,b ：接收数值，表示二分法的区间。无默认。 preci_ratio：接收数值，表示精确率.
2021-11-24 10:06:29
421
原创 5.3 函数逼近与拟合
import numpy as npimport matplotlib.pyplot as pltfrom scipy import optimizeplt.rcParams['font.sans-serif']=['SimHei'] # 用来正常显示中文plt.rcParams['axes.unicode_minus']=False # 用来正常显示负号#代码5-9# 拉伸倍数x = np.array([1.9,2,2.1,2.5,2.7,2.7,3.5,3.5,4.
2021-11-24 10:01:13
644
原创 5.2 插值方法
from scipy import interpolateimport numpy as npimport matplotlib.pyplot as pltplt.rcParams['font.sans-serif']=['SimHei'] # 用来正常显示中文标签plt.rcParams['axes.unicode_minus']=False # 用来正常显示负号# 代码5-4x = np.array([200,220,250,270,280])y = np.arr.
2021-11-24 09:25:14
598
原创 5.1 误差
# 代码5-1print(1-(4/3-1)*3)2.220446049250313e-16# 代码5-2print('地球的表面积为：',4*3.1416*6370**2)地球的表面积为： 509905556.15999997# 代码5-3print('第一把尺子的相对误差为：',0.5/100*100,"%")print('第二把尺子的相对误差为：',5/1000*100,"%")第一把尺子的相对误差为： 0.5 %第二把尺子的相对误差为： 0.5...
2021-11-24 09:15:50
87
原创 4.3 特征分解
import numpy as np# 代码4-29A = np.matrix([[3, -1],[-1, 3]])# 方法一print('矩阵A的特征值为：', np.linalg.eigvals(A))矩阵A的特征值为： [4. 2.]# 方法二A1,A2 = np.linalg.eig(A)print('矩阵A的特征值为：', A1)print('矩阵A的特征向量为：\n', A2)矩阵A的特征值为： [4. 2.]矩阵A的特征向量为： [[ 0.707106.
2021-11-17 15:41:58
66
原创 4.2 矩阵运算
import numpy as np# 代码4-14# 方法一A1 = np.matrix('1 2 3 4;3 4 5 6;5 6 7 8;7 8 9 0')print('使用mat函数创建的矩阵为：\n', A1)使用mat函数创建的矩阵为： [[1 2 3 4] [3 4 5 6] [5 6 7 8] [7 8 9 0]]# 方法二A2 = np.mat([[1, 2, 3, 4],[3, 4, 5, 6],[5, 6, 7, 8],[7, 8, 9, 0]])p.
2021-11-17 15:34:03
156
原创 4.1 行列式
import numpy as np# 代码4-1# 方法一：使用det函数求行列式arr = np.array([[1, 1],[30, 20]]) # 创建分母的二维数组arr1 = np.array([[80, 1],[2050, 20]]) # 创建分子的二维数组arr2 = np.array([[1, 80],[30, 2050]]) # 创建分子的二维数组# 求解行列式D = np.linalg.det(arr)D1 = np.linalg.det(arr...
2021-11-17 15:23:16
204
原创 3.3 参数估计
from scipy import stats as sts# 代码3-30CI = sts.norm.interval(0.95, loc = 8.34, scale = 0.03)print('置信区间为：', CI)置信区间为： (8.281201080463799, 8.398798919536201)# 代码3-31data = [0.8511,0.8891,0.8982,0.7625,0.8450,0.8380,0.8232,0.8883,0.8256]#data =.
2021-11-17 15:16:58
129
原创 3.2 概率基础
import numpy as npfrom scipy import stats as sts# 代码3-15n = 10 # 独立实验次数p = 0.5 # 每次正面朝上概率k = np.arange(0,11) # 总共有0~10次正面朝上的可能binomial = sts.binom.pmf(k,n,p)# 0~10次正面朝上分别的概率print('0~10次正面朝上分别的概率为：\n ',binomial)0~10次正面朝上分别的概率为： [0.0009765.
2021-11-17 15:14:55
155
原创 3.1 分布特征
from scipy import stats as stsimport numpy as npdata = np.loadtxt('salary.csv',delimiter=",") # 读取数据# 代码3-1print('众数为：',sts.mode(data,axis=None))众数为： ModeResult(mode=array([3880.]), count=array([2]))print('中位数为：',np.median(data))中位数为： 39.
2021-11-17 14:50:07
211
原创 2.4 定积分与不定积分
from sympy import *init_printing() # 代码2-23x = Symbol('x')diff(atan(x), x), diff(acot(x), x)diff(exp(x), x), diff(1 / 2 * exp(2 * x), x)diff(log(2 * x), x), diff(log(x), x)# 代码2-24x = Symbol('x')f = cos(x)integrate(f,x)x = S.
2021-11-17 09:18:21
100
原创 2.3 导数的应用
from sympy import* import numpy as npimport matplotlib.pyplot as pltinit_printing()# 代码2-19x = Symbol('x')y = 2*x**3-12*x**2+18*x-2df1 = diff(y,x)df1 # 一阶导数df2 = diff(y,x,2)df2 # 二阶导数print('函数的驻点为：',solve(df2,x))函数的驻点为： [2]#函.
2021-11-17 09:07:06
1269
原创 2.2 导数与微分
from sympy import* init_printing()# 代码2-5x = Symbol('x')C = 2y = Cdiff(y,x)0# 代码2-6x = Symbol('x')mu = Symbol('mu')y = x**mudiff(y,x)# 代码2-7x = Symbol('x')a = Symbol('a')y = a**xdiff(y,x)# 代码2-8x = Symbol('x')a = Symbo.
2021-11-17 08:53:54
434
原创 2.1 函数与极限
from sympy import* # 代码 2-1x = symbols('x') # 将x定义为符号变量# 通过sympy模块的solve()命令可以求得一元二次方程的两个根X = solve(x**2-5*x+6,x) print('一元二次方程的两个根为：',X)一元二次方程的两个根为： [2, 3]A = set('1245') # 定义集合AB = set('23') # 定义集合Bprint('集合A与B的并:',A | B)print('集.
2021-11-17 08:41:01
149
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人