![](https://img-blog.csdnimg.cn/20201014180756780.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
机器学习
文章平均质量分 65
love2study
这个作者很懒,什么都没留下…
展开
-
代码模拟线性回归解决机器学习问题
代码模拟线性回归解决机器学习问题# 数据的导入from sklearn.datasets import load_bostonX,y = load_boston(return_X_y = True)print(X.shape,y.shape)# (506, 13) (506,)# 数据的预处理from sklearn.model_selection import train_test_splitfrom sklearn.preprocessing import StandardScaler原创 2022-04-21 17:50:21 · 1169 阅读 · 0 评论 -
kaggle之California Housing Data (1990)sklearn
import pandas as pddf = pd.read_csv("housing.csv")print(df.head())print(df.shape)df = df.drop(["longitude","ocean_proximity"],1)df.head()## 由于近海的值与经度的值差不多,故删除df.dropna(inplace=True) # 将其中含有缺乏值的去除 #(20433, 8)#数据的预处理from sklearn.preprocessing原创 2022-04-15 17:22:57 · 1220 阅读 · 0 评论 -
线性回归与线性分类
线性回归与线性分类线性回归函数定义激活函数: hθ=wTx+θ0(w:(θ1,θ2,θ3...,θn))h_\theta=w^Tx+\theta_0 (w:(\theta_1,\theta_2,\theta_3...,\theta_n))hθ=wTx+θ0(w:(θ1,θ2,θ3...,θn))由于为了评估预测值与实际输出值的差值,定义代价函数:J(θi)=12n∑i=1n(hθ(x(i))−y(i))2J(\theta_i)=\frac{1}{2n}\sum_{i =1}^{n}(h_\原创 2022-04-15 17:13:32 · 699 阅读 · 0 评论 -
Feasibility of Learning
Feasibility of LearningNFL定理没有免费午餐(No Free Lunch):机器学习在D以外的数据中更接近目标函数似乎时做不到的,只能保证对训练集有很好的分类结果,这种特性被称为没有免费午餐定理(NFL)。NFL定理表明没有一个学习算法可以在任何领域总是产生最准确的学习器。不管采用何种学习算法,至少存在一个目标函数,能够使得随机猜测算法是更好的算法。平常所说的一个学习算法比另一个算法更“优越”,效果更好,只是针对特定的问题,特定的先验信息,数据的分布,训练样本的数目,代价或奖励原创 2022-04-11 17:12:22 · 937 阅读 · 0 评论 -
PLA感知机
PLA感知机基本原理输入特征向量x,有n个特征,每个特征有wi(1<=i<=n)w_i(1<=i<=n)wi(1<=i<=n),即输出为wTxw^TxwTx,若大于阈值,则输出1,小于阈值,则输出-1。若阈值设为w0w_0w0模型表达式h(x)=sign(∑i=1nwixi−w0)=sign(∑i=1nwixi−w0(1))=sign(∑i=0nwixi)h(x)=sign(\sum_{i=1}^{n}w_ix_i-w_0)=sign(\sum_{i=1}^{n原创 2022-04-11 09:48:51 · 107 阅读 · 0 评论