![](https://img-blog.csdnimg.cn/20201014180756724.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
我的机器学习之路
文章平均质量分 71
Mr_BigG
这个作者很懒,什么都没留下…
展开
-
机器学习之有监督学习:回归
前置准备详情请见我的上一篇博客线性回归多项式回归房价与房屋尺寸的关系实例线性回归法实现机理根据已知的房屋成交价和房屋尺寸进行线性回归,程序所需数据文件点此下载(提取码:BigG)效果图源代码#线性回归.pyimport matplotlib.pyplot as pltimport numpy as npfrom sklearn import linear_model# 读取数据集datasets_X = [] #房屋尺寸datasets_Y = [] #房屋价格原创 2021-01-28 13:31:42 · 2873 阅读 · 0 评论 -
机器学习之有监督学习:分类
前置准备详情请见我的上一篇博客基本分类模型K近邻分类器(KNN)主要参数:使用方法:决策树主要参数:使用方法:朴素贝叶斯主要参数:使用方法:人体运动状态信息评级实现机理注:程序所需数据文件点此下载(提取码:BigG)效果图源代码#人体运动状态信息评级.pyimport numpy as npimport pandas as pdimport timefrom sklearn.impute import Simpl原创 2021-01-28 12:38:44 · 3344 阅读 · 0 评论 -
机器学习之无监督学习:基于聚类的整图分割
前置准备详情请见我的上一篇博客基于聚类的图像分割实现机理图像分割:利用图像的灰度、颜色、纹理、形状等特征,把图像分为若干个互不重叠的区域,并使这些特征在同一区域内呈现相似性,在不同的区域内存在较明显的差异性。常用方法:1.阈值分割:对图像灰度值进行测量,设置不同种类的阈值,达到分割的目的。2.边缘分割:对图像边缘进行检测,检测图像中灰度值发生跳变的地方,即为一片区域的边缘。3.直方图法:对图像的颜色建立直方图,而直方图的波峰波谷能够表示一块区域的颜色值的范围,来达到聚类分析的目的。4.特原创 2021-01-26 14:16:18 · 3327 阅读 · 0 评论 -
机器学习之无监督学习:降维
前置准备详情请见我的上一篇博客PCA方法及其应用实现机理PCA方法也叫主成分分析,它是最常用的一种降维方法,通常用于高维数据集的探索与可视化,还可以用作数据压缩和预处理等。PCA可以把具有相关性的高位变量合称为线性无关的低维变量,称为主成分。主成分能够尽可能保留原始数据的信息。PCA涉及到的部分相关术语:方差、协方差、协方差矩阵、特征向量和特征值。方差是各个样本和样本均值的差的平方和的均值,用来度量一组数据的分散程度。协方差用于度量两个变量之间的线性相关程度,若两个变量原创 2021-01-25 11:31:31 · 1016 阅读 · 0 评论 -
机器学习之无监督学习:聚类
前置准备推荐安装Python3.8及以上环境,选择一款适合的开发环境,下载案例所需的实验数据(提取码:BigG),安装必备的第三方库如下图:K-means方法及应用实现机理K-means算法以k为参数,将n个对象分为k个簇,使得簇内具有较高的相似度,簇间的相似度较低。K-means的处理过程如下:1.随机选择k个点作为初始的聚类中心2.对于剩下的点,根据每个点与聚类中心的距离,将其归入最近的簇3.对于每个簇,计算所有点的均值作为新的聚类中心4.重复第2、3步骤,直到聚类中心不再发生改变原创 2021-01-22 17:25:21 · 620 阅读 · 0 评论