- 博客(20)
- 收藏
- 关注
原创 深度学习之张量(Tensor)的创建、常见属性及数据转换
PyTorch会将数据封装成张量(Tensor)进行计算,所谓张量就是元素为相同类型的多维矩阵。是一个多维数组,通俗来说可以看作是扩展了标量、向量、矩阵的更高维度的数组。张量的维度决定了它的形状(Shape)是 0 维张量,是 1 维张量,是 2 维张量PyTorch中有3种:浮点数、整数、布尔。其中,浮点数和整数又分为8位、16位、32位、64位,加起来共9种。
2024-08-30 15:13:47
933
原创 机器学习-特征工程API
实例化转换器对象,都是的子类:字典特征提取文本特征提取IDF文本特征词的重要程度特征提取归一化标准化底方差过滤降维PCA主成分分析降维转换器对象调用进行转换其中fit用于计算数据,transform进行最终转换可以使用fit()和代替data_newtransferdata可写成transferfitdatadata_newtransfertransformdata字典特征提取是指一个矩阵中大部分元素为零,只有少数元素是非零的矩阵。
2024-08-28 17:32:41
1097
原创 朴素贝叶斯、决策树及随机森林
在机器学习算法中,大多数的算法都是,如决策树、KNN、逻辑回归、支持向量机等。而朴素贝叶斯是,直接找出输出特征Y和特征X的联合分布,用得出。如果X和Y条件独立,条件概率公式:全概率公式:,其中贝叶斯公式为:先验概率+数据=后验概率也就是说我们在实际问题中要得到后验概率,可以通过先验概率和数据综合得。sklearn()estimatorfitx_trainy_trainy_predictestimatorpredictx_test示例。
2024-08-23 19:19:38
1076
原创 机器学习—KNN算法-分类及模型选择与调优
样本距离判断:欧氏距离、曼哈顿距离、明可夫斯基距离K-近邻算法(,简称KNN根据K个邻居样本的类别来判断当前样本的类别;如果一个样本在特征空间中的k个最相似最邻近)样本中的大多数属于某个类别,则该类本也属于这个类别(近朱者赤近墨者黑。一般情况下,我们需要先指定一个k,当一个新的数据集来临时,我们首先计算这个新的数据跟训练集中的每一个数据的距离,一般使用欧氏距离。然后从中选出距离最近的k个点,这个k一般选取为奇数,方便后面投票决策。在k个点中根据最多的确定新的数据属于哪一类。
2024-08-22 20:32:34
965
原创 NumPy 矩阵库(Matrix)
NumPy 中包含了一个矩阵库 numpy.matlib,该模块中的函数返回的是一个矩阵,而不是 ndarray 对 象。order: C(行序优先) 或者 F(列序优先)shape: 定义新矩阵形状的整数或整数元组。创建一个给定大小的矩阵,数据是随机填充的。#注意:n,m为大写,k为小写。Dtype: 可选,数据类型。返回一个矩阵,对角线元素为。返回矩阵的列数,默认为。返回给定大小的单位矩阵。
2024-08-10 15:49:38
368
原创 NumPy 副本和视图
一个数组的任何变化都反映在另一个数组上。例如,一个数组的形状改变也会改变另一个数组的。对副本数据进行修改,不会影响到原始数据,它们物理内存不在同一位置。ndarray.view() 实现数组的浅拷贝,切片也是一种浅拷贝。简单的赋值不会创建数组对象的副本。相反,它使用原始数组的相同。的切片操作返回原数据的视图。对象的通用标识符,类似于 C。序列的切片操作,调用。
2024-08-07 19:39:29
233
原创 NumPy 函数
如果为负,整数将四舍五入到小数点左侧的位置。默认情况下,所有的三角函数都接受弧度作为参数,但是在 NumPy 中我们也可以将弧度和角度相互转换。将第一个输入数组中的元素作为底数,计算它与第二个输入数组中相应元素的幂。函数返回指定数字的四舍五入值。需要注意的是数组必须具有相同的形状或符合数组广播规则。返回小于或者等于指定表达式的最大整数,即向下取整。返回大于或者等于指定表达式的最小整数,即向上取整。计算输入数组中相应元素的相除后的余数。算术函数包含简单的加减乘除。返回参数逐元素的倒数。
2024-08-07 19:17:26
270
原创 Numpy 数组操作
只有当数组在内存中是Fortran连续的,并且将order参数设置为'A'时,数组才会以列优先的方式进行展平。最后一种方式是K,它以元素在内存中出现的顺序展平数组,默认情况下,该参数设置为'C'。到原有的数组,而flatten则是在原数组的基础上复制了一个副本出来,和原数组之间无联系,所以改动fatten的内容,ravel只是改变了原数组的视图(显示方式),本质还是原数组(内存地址是一致的),因此在ravel的基础上进行改动,:如果是一个整数,就用该数平均切分,如果是一个数组,为沿轴切分的位置(左开右闭)
2024-08-07 18:34:42
943
原创 NumPy 广播(Broadcast)
1.对应维度的长度相等,(即必须要小的那个数组行或列和大的数组某个对应维度相同,小的那个数组的形状会扩展使他们具有相同的形状,再进行运算。2.对应维度的长度其中一个为1,长度为1的维度会被扩展,这两个数组在该维度的形状将会被扩展为较大的长度。当两个数组在维度上的长度既不相等也不为1,即为不可广播的维度,会报错。的数组进行数值计算处理的一种机制, 对数组的算术运算通常在相应的元素上进行。个数组的形状不同时,将自动触发广播机制。
2024-08-07 13:27:12
250
原创 NumPy 切片和索引
根据索引数组的值作为目标数组的某个轴的下标来取值,花式索引跟切片不一样,它总是将数据复制到新数组中。ndarray对象的内容可通过索引或切片来访问、修改,与列表的切片操作一样。的下标进行索引,可通过start:stop:step进行切片操作。ndarray 数组可以基于。
2024-08-06 20:44:20
279
原创 NumPy 创建数组
endpoint为 true 时,数列中包含。创建一个与给定数组具有相同形状的数组,数组元素以。创建一个一维数组,数组由一个等差数列构成。与np.zeros_like同理。创建指定大小的数组,数组元素以。创建指定形状的数组,数组元素以。与 numpy.array类似。任意形式的输入参数——列表。用来创建一个指定形状(函数创建数值范围并返回。值,反之不包含,默认是。注:num即数列个数。
2024-08-06 19:31:06
531
原创 Numpy的数组属性
对象中每个元素的大小,以字节为单位。秩,即轴的数量或维度的数量。数组元素的总个数,相当于。数组的维度,对于矩阵,列 #shape既形状。
2024-08-06 17:24:13
89
原创 Numpy Ndarray对象及Numpy数据类型
ndarray以0为下标开始进行集合中元素的索引。ndarray对象——存放同类型元素的多维数组,每个元素在内存中都有相同存储大小的区域。注意:几维时第一个元素前就有几个方括号。默认返回一个与基类类型一致的数组。数组元素的数据类型,可选。对象是否需要复制,可选。创建数组的内存存储样式,指定生成数组的最小维度。
2024-08-06 17:11:12
277
原创 快速排序代码实现
快速排序是选定一个a值后不动,(以升序排列来讲)将比a小的值放在a左边,比他大的放在a右边,再经过递归处理后排序。冒泡排序是依次进行比较,需要很多次交换才能正确进行排序。快速排序是冒泡排序的改进,相比冒泡排序更快更方便。
2024-08-06 15:38:57
204
原创 单向链表的实现
链表的每个元素由一个存储元素本身的节点和一个指向下一个元素的引用。:返回元素在链表中的索引。如果列表中没有该元素则返回。链表中的元素在内存中不必是连续的空间。:向列表的特定位置插入一个新的项。:返回链表包含的元素个数。无法跳过第一个元素访问任何一个元。:如果链表中不包含任何元素,返回。:从列表的特定位置移除一项。链表访问任何一个位置的元素时。:向列表尾部添加一个新的项。链表是链式的存储多个元素。:从列表中移除一项。
2024-08-05 20:16:24
300
原创 队列的实现
返回当前队列中第一个元素,也将是最先被移除的元素。队列不做任何变动(不。:移除队列的第一(即排在队列最前面的)项,并返回被移除的元素。将当前的优先级和队列中已经存在的元素优先级进行比较。实现优先级队列相对队列主要有两方面需要考虑。:向队列尾部添加一个(或多个)新的项。:返回队列包含的元素个数,与数组的。:如果队列中不包含任何元素,返回。受限之处在于它只允许在表的前端()进行删除操作,而在表的后端(,它是一种运算受限的线性表。队列是一种受限的线性结构。移除元素,只返回元素信息。封装元素和优先级放在一起。
2024-08-05 18:48:28
131
原创 python字符串常用内建函数
创建字符映射的转换表,对于接受两个参数的最简单的调用方式,第一个参数。是字符串,表示需要转换的字符,第二个参数也是字符串表示转换的目标。,则检查是否包含在指定范围内,如果包含返回开始的索引值,否则返回。在字符串左侧填充指定数量的零,确保整个字符串达到指定长度。用于检测字符串中的所有字符是否都是小写字母。用于检测字符串中的所有字符是否都是大写字母。将字符串中大写转换为小写,小写转换为大写。如果字符串中只包含数字字符,则返回。是否包含在字符串中,如果指定范围。如果字符串中只包含空白,则返回。
2024-08-05 13:16:42
677
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人