机器学习&头歌实训答案
文章平均质量分 61
专业选修课-机器学习相关内容
Pretend ^^
知来者之可追
展开
-
机器学习-2.Python机器学习软件包Scikit-Learn的学习与运用
EduCoder:机器学习—Python机器学习软件包Scikit-Learn的学习与运用第1关:使用scikit-learn导入数据集编程要求:本关任务是,使用 scikit-learn 的datasets模块导入iris数据集,提取前 5 条原数据、前 5 条数据标签及原数据的数组大小。请按照编程要求,补全右侧编辑器Begin-End区间的代码。测试说明:本关的测试文件是step1/testImportData.py,该代码负责对你的实现代码进行测试,注意step1/testImport原创 2021-12-08 20:03:51 · 7927 阅读 · 0 评论 -
机器学习-3.绪论
EduCoder平台:机器学习—绪论第1关:什么是机器学习第2关:机器学习的常见术语第3关:机器学习的主要任务原创 2021-12-08 19:35:53 · 1453 阅读 · 0 评论 -
机器学习-4.朴素贝叶斯分类器
EduCoder平台:机器学习—朴素贝叶斯分类器第1关:条件概率第2关:贝叶斯公式第3关:朴素贝叶斯分类算法流程编程要求:根据提示,完成fit与predict函数,分别实现模型的训练与预测。(PS:在fit函数中需要将预测时需要的概率保存到self.label_prob和self.condition_prob这两个变量中)其中fit函数参数解释如下:feature:训练集数据,类型为ndarray;label:训练集标签,类型为ndarray;return:无返回。原创 2021-12-06 22:18:36 · 15315 阅读 · 0 评论 -
机器学习-5.模型评估、选择与验证
EduCoder平台:机器学习—模型评估、选择与验证第1关:为什么要有训练集与测试集第2关:欠拟合与过拟合第3关:偏差与方差第4关:验证集与交叉验证第5关:衡量回归的性能指标第6关:准确度的陷阱与混淆矩阵编程要求:根据提示,在 Begin-End 区域填写 python 代码,完成 confusion_matrix 函数实现二分类混淆矩阵的构建。confusion_matrix 函数中的参数:y_true:数据的真实类别,类型为 ndarray;y_predict:原创 2021-12-07 17:12:53 · 5781 阅读 · 1 评论 -
机器学习-6.K近邻
EduCoder平台:机器学习—K近邻第1关:KNN原理第2关:K近邻再识第3关:K近邻小试编程要求:请仔细阅读右侧代码,结合相关知识,在 Begin-End 区域内进行代码补充,计算并输出数字的类型以及数字各属于两类的概率。其中 X 为样本点,y 为其类别(二分类问题),参数 k 的值设置为 3。代码如下:#引入KNeighborsClassifier模块from sklearn.neighbors import KNeighborsClassifierX = [[0], [1]原创 2021-12-07 10:22:00 · 3566 阅读 · 0 评论 -
机器学习-7.KNN算法编程实战:红酒分类
EduCoder平台:机器学习—KNN算法编程实战:红酒分类第1关:分析红酒数据编程要求:请仔细阅读右侧代码,根据方法内的提示,在Begin - End区域内进行代码补充,完成alcohol_mean函数。该函数需要完成返回红酒数据中的平均酒精含量。其中函数的参数解释如下:data:红酒数据对象代码如下:import numpy as npdef alcohol_mean(data): ''' 返回红酒数据中红酒的酒精平均含量 :param data: 红酒数据对象原创 2021-12-04 23:40:31 · 8731 阅读 · 1 评论 -
机器学习-8.线性回归
EduCoder:机器学习—线性回归第1关:简单线性回归与多元线性回归第2关:逻辑回归的损失函数编程要求:该实战内容中数据为一元数据,利用 pandas 读入数据文件,并为相应的数据附上名字标签,分别为Population 和 Profit。data = pd.read_csv(path, header= , names=[ ' ', ' ' ])代码如下:#encoding=utf8import os原创 2021-12-04 23:23:33 · 10373 阅读 · 0 评论 -
机器学习-9.逻辑回归
EduCoder:机器学习—逻辑回归第1关:逻辑回归核心思想编程要求:根据提示,在右侧编辑器补充 Python 代码,实现sigmoid函数。底层代码会调用您实现的sigmoid函数来进行测试。(提示: numpy.exp()函数可以实现 e 的幂运算)测试说明:测试用例:输入:1预期输出:0.73105857863输入:-2预期输出:0.119202922022代码如下:#encoding=utf8#encoding=utf8import numpy原创 2021-12-04 23:05:25 · 8223 阅读 · 0 评论 -
机器学习-10.支持向量机
EduCoder平台:机器学习—支持向量机第1关:线性可分支持向量机B、黑线B、0.4C、3x+2y=0B、样本y到超平面的距离为3D、-x+y+1=0AC第2关:线性支持向量机#encoding=utf8from sklearn.svm import LinearSVCdef linearsvc_predict(train_data,train_label,test_data): ''' input:train_data(ndarray):训练数据原创 2021-12-04 22:52:18 · 6380 阅读 · 0 评论 -
机器学习-11.神经网络
EduCoder平台:机器学习—神经网络第1关:什么是神经网络第2关:神经元与感知机编程要求:根据提示,在右侧编辑器补充 python 代码,构建一个感知机模型,底层代码会调用您实现的感知机模型进行训练,并对一个特征值分别为青绿、稍蜷、沉闷(即特征向量为[0,2,2])的西瓜的好坏进行预测,预测正确则通关。代码如下:#encoding=utf8import numpy as np#构建感知机算法class Perceptron(object): def __init__(sel原创 2021-12-18 18:56:13 · 12160 阅读 · 1 评论