机器学习
数据阿伯
这个作者很懒,什么都没留下…
展开
-
机器学习之决策树实例篇
1. python2. Python机器学习的库:scikit-learn 2.1: 特性:简单高效的数据挖掘和机器学习分析对所有用户开放,根据不同需求高度可重用性基于Numpy, SciPy和matplotlib开源,商用级别:获得 BSD许可 2.2 覆盖问题领域: 分类(classifica原创 2017-03-08 09:48:04 · 4132 阅读 · 0 评论 -
sklearn模型的保存与恢复
举例说明:模型的保存过程:from sklearn.externals import joblibfrom sklearn import svmimport os# os.chdir("workspace/model_save")X = [[0, 0], [1, 1]]y = [0, 1]clf = svm.SVC()clf.fit(X, y)joblib.dump(cl原创 2017-05-26 22:29:38 · 6825 阅读 · 0 评论 -
机器学习简易入门(三) - 聚类
摘要:本文简单叙述了如何用聚类来通过投票记录分析美国参议员的实际政治倾向转载自:http://www.cnblogs.com/kylinlin/p/5299078.html本文内容来源:https://www.dataquest.io/mission/60/clustering-basics在前面的两篇文章中使用的线性回归和分类都属于有监督的机器学习(根转载 2017-04-04 15:46:16 · 820 阅读 · 0 评论 -
机器学习简易入门(二) - 分类
机器学习简易入门(二) - 分类摘要:本文简单叙述了如何通过分类算法来评估银行发放贷款的模型转载自:http://www.cnblogs.com/kylinlin/p/5306358.html本文内容来源:https://www.dataquest.io/mission/57/logistic-regression在你向银行申请信用卡或者贷款时,银行会使用根据过往的转载 2017-04-04 14:52:50 · 430 阅读 · 0 评论 -
机器学习简易入门(一) - 线性回归
摘要:本文简单叙述了如何根据标准普尔500指数使用线性回归来预测股票的走势本文内容来源:https://www.dataquest.io/mission/58/regression-basics标准普尔500(S&P 500)说明:http://www.investopedia.com/ask/answers/05/sp500calculation.asp转载自:http:转载 2017-04-04 13:37:04 · 893 阅读 · 0 评论 -
模型保存save
from __future__ import print_functionfrom sklearn import svmfrom sklearn import datasetsclf = svm.SVC()iris = datasets.load_iris()X, y = iris.data, iris.targetclf.fit(X, y)# method 1: pickle原创 2017-03-17 14:24:32 · 1041 阅读 · 0 评论 -
normalization数据标准化
from __future__ import print_functionfrom sklearn import preprocessingfrom sklearn.cross_validation import train_test_splitfrom sklearn.datasets.samples_generator import make_classificationfrom sk原创 2017-03-17 10:59:46 · 407 阅读 · 0 评论 -
机器学习之多元线性回归demo
下图是数据格式:前两列是属性值x1,x2,第三列是标签值y代码如下from numpy import genfromtxtfrom sklearn import linear_model# -----------------------读取数据---------------------------dataPath = r"Delivery.csv"deliveryDa原创 2017-03-15 13:53:01 · 689 阅读 · 0 评论 -
机器学习之简单线性回归demo
# -*- encoding=utf-8 -*-#简单现行回归:只有一个自变量 y=k*x+b 预测使 (y-y*)^2 最小import numpy as npdef fitSLR(x,y): n=len(x) dinominator = 0 numerator=0 for i in range(0,n): numerator += (x原创 2017-03-15 13:42:13 · 788 阅读 · 0 评论 -
机器学习之支持向量机算法实例
此实例是利用svm算法预测乳腺癌肿瘤是良性还是恶性,数据格式如下图所示:第一列表示编号,2到10列表示数据属性,第11列表示肿瘤标签2表示良性4表示恶性。代码如下from sklearn import svmimport pandasfrom sklearn.cross_validation import train_test_splitfrom sklearn.met原创 2017-03-15 13:25:54 · 3003 阅读 · 0 评论 -
机器学习sklearn knn
from __future__ import print_functionfrom sklearn import datasetsfrom sklearn.cross_validation import train_test_splitfrom sklearn.neighbors import KNeighborsClassifieriris = datasets.load_i原创 2017-03-07 14:31:00 · 361 阅读 · 0 评论 -
机器学习sklearn多元线性回归
from __future__ import print_functionfrom sklearn import datasetsfrom sklearn.linear_model import LinearRegressionimport matplotlib.pyplot as pltloaded_data = datasets.load_boston()data_X原创 2017-03-07 15:13:10 · 3886 阅读 · 0 评论 -
svm中gamma的确定
from __future__ import print_functionfrom sklearn.learning_curve import validation_curvefrom sklearn.datasets import load_digitsfrom sklearn.svm import SVCimport matplotlib.pyplot as pltimport n原创 2017-03-17 15:32:01 · 8318 阅读 · 0 评论 -
knn算法中关于k的取值
from __future__ import print_functionfrom sklearn.datasets import load_irisfrom sklearn.cross_validation import cross_val_scoreimport matplotlib.pyplot as pltfrom sklearn.neighbors import KNeighbo原创 2017-03-17 15:25:15 · 18836 阅读 · 1 评论 -
机器学习sklearn多元线性回归2
from __future__ import print_functionfrom sklearn import datasetsfrom sklearn.linear_model import LinearRegressionloaded_data = datasets.load_boston()data_X = loaded_data.datadata_y = loaded_dat原创 2017-03-07 15:31:00 · 588 阅读 · 0 评论 -
机器学习之决策树理论篇
1. 什么是决策树/判定树(decision tree)? 判定树是一个类似于流程图的树结构:其中,每个内部结点表示在一个属性上的测试,每个分支代表一个属性输出,而每个树叶结点代表类或类分布。树的最顶层是根结点。2. 机器学习中分类方法中的一个重要算法3. 构造决策树的基本算法原创 2017-03-08 09:35:03 · 331 阅读 · 0 评论 -
机器学习案例之:甲状腺射频消融数据模型
甲状腺疾病是常见的内分泌疾病的一种,主要是由于甲状腺功能分泌不正常引起。长期的分泌不足或过剩,都会对身体产生危害,需及早治疗。射频消融的原理是利用物理热能对结节进行的原位灭火治疗,人体对于灭活坏死的组织具有吸收排除的特性,可以在一定时间内使坏死的组织消失。射频消融的核心是温度的控制,电路设计为立体电阻抗反馈式自动控制,消融温度达70°C便自动中止电流,既保证病变组织坏死,又不会损伤正常细胞。同时,原创 2017-06-06 14:24:33 · 1173 阅读 · 2 评论