ML
hornsey2012
这个作者很懒,什么都没留下…
展开
-
Jupyter notebook远程访问配置方法
Jupyter notebook作为一款交互式笔记本,可以说是数据处理编程的神器,web式的访问方式,非常便利。在电脑上安装后默认即可通过web访问,但既然web可以访问,那也可以部署在服务器上,在不同的PC机上访问了。下面就介绍下如何修改配置文件,使得可以远程访问。1)生成密钥在ipython命令行下使用命令passwd()$ ipythonfrom notebook.auth ...原创 2018-09-29 16:08:49 · 4725 阅读 · 0 评论 -
如何选择机器学习算法
本文主要的目标读者是机器学习爱好者或数据科学的初学者,以及对学习和应用机器学习算法解决实际问题抱有浓厚兴趣的读者。面对大量的机器学习算法,初学者通常会问自己一个典型的问题:「我该使用哪一种算法?」有很多因素会影响这一问题的答案,比如:数据的大小、质量及性质 可用计算时间 任务的急迫性 数据的使用用途在没有测试过不同算法之前,即使是经验丰富的数据科学家和机器学习算法开发者也都不能分辨出哪...翻译 2018-10-31 11:36:48 · 353 阅读 · 0 评论 -
numpy常用函数
1、数组属性ndim # 维度shape # 每个维度的大小size # 数组的总元素个数dtype # 数据类型itemsize # 每个元素大小nbytes # (数组总字节大小import numpy as npl=np.random.randint(5,10,size=(3,2,5))print(l.ndim)print(l.sh...原创 2018-12-28 16:51:37 · 1040 阅读 · 0 评论 -
机器学习-KNN算法
1、算法概述最简单最初级的分类器是将全部的训练数据所对应的类别都记录下来,当测试对象的属性和某个训练对象的属性完全匹配时,便可以对其进行分类。但是怎么可能所有测试对象都会找到与之完全匹配的训练对象呢,其次就是存在一个测试对象同时与多个训练对象匹配,导致一个训练对象被分到了多个类的问题,基于这些问题呢,就产生了KNN。KNN是通过测量不同特征值之间的距离进行分类。它的思路是:如果一个样本在特征空...原创 2018-12-25 16:20:44 · 273 阅读 · 0 评论 -
机器学习——线性回归算法
1、算法概述回归是处理两个或两个以上变量之间互相依赖的定量关系的一种统计方法和技术。根据自变量和因变量的线性关系,可以分为线性回归和非线性回归。线性回归中,自变量和因变量的关系可以使用一条直线表示,表达形式为y=ωx+ϵy=\omega x+ \epsilony=ωx+ϵ。2、算法实现class LinearRegression: """使用Python实现的线性回归。(最小二乘法)...原创 2018-12-31 21:41:32 · 568 阅读 · 0 评论 -
TensorFlow学习(二)——Graph可视化
TensorFlow使用数据流图实现计算任务,有的图比较简单,仅包含少量的节点和张量,但现实中的模型往往比较复杂,包含众多的节点和参数。这次,就需要创建多个数据流图,并使用名称作用域(name scope)来组织数据流图,同时,也方便使用TensorBoard对graph进行可视化。(1)创建Graph对象在一般的TensorFlow程序中,会使用默认的数据流图。当模型比较复杂时,就需要创建多...原创 2019-01-31 22:02:22 · 2546 阅读 · 0 评论 -
卷积神经网络CNN学习笔记
CNN是一种前馈神经网络,常用来进行大型图像处理。本质是层级网络,只是层的功能和形式做了变化,对传统神经网络做了改进。具有局部感知、全局共享、平移不变三个优势。典型结构由五层组成:数据输入层(INPUT)卷积计算层(CONV)激活层(RELU)池化层(POLL)全连接层(FC)数据输入层常用处理方式去均值(将数据中心化为0)归一化(减少各维度差异带来的干扰)去相关(目的是消...原创 2019-01-31 22:19:05 · 390 阅读 · 0 评论 -
AdaBoost、GBDT、RF、XGboost、lightGBM的对比分析
AdaBoost简单介绍AdaBoost是基于boosting的思想,通过多个弱分类器的线性组合来得到强分类器,训练时重点关注被错分的样本,准确率高的弱分类器权重大。更深一步的介绍在训练过程中,它不改变所给的训练数据,而是不断改变训练数据权值的分布,使得被误分类的数据再后一轮的分类中受到更大的关注。同时采用加权多数表决的方法,加大分类误差率小的弱分类器的权值,使其在最后的表决中起更大的作...转载 2019-03-08 10:04:32 · 1036 阅读 · 0 评论