baekii-CSDN博客

原创【李航统计学】Chap3：K近邻（总结+代码实现+课后题）

Chap3：K近邻1. K近邻算法2. K近邻模型2.1 距离度量1. K近邻算法k近邻法(k-nearest neighbor, KNN)是一种基本的分类与回归方法，在这里我们只讨论分类问题中的K近邻。k近邻法假设给定的一个数据集，其中的实例类别已定。分类时，对于新的实例，跟据其K个最近邻的训练实例的类别，通过多数表决等方式进行预测。特别的，我们将k=1的特殊情形成为最近邻算法2. K近邻模型k近邻法主要包括三个基本要素：K值选择，距离度量以及分类决策规则。特征空间中，对于每个训练实例x

2020-09-20 22:44:08 484

原创【PyTorch基础】乘法torch.mul()，torch.nn()

torch.mul(a, b)是矩阵a和b对应位相乘，a和b的维度必须相等，相乘后返回结果维度也相同torch.mm(a, b)是矩阵a和b矩阵相乘，比如a的维度是(1, 2)，b是(2, 3)，返回的就是(1, 3)的矩阵举个栗子：import torcha = torch.rand(1, 4)b = torch.rand(4, 3)c = torch.rand(1, 3)print(a,'\n',b,'\n',c)ab = torch.mm(a, b)abc = torch.m.

2020-09-20 14:57:56 864

原创【PyTorch基础】torch.sum()

torch.sum()对输入的tensor数据的某一维度求和，一共两种用法１．torch.sum(input, dtype=None)２．torch.sum(input, list: dim, bool: keepdim=False, dtype=None) → Tensorinput:输入一个tensordim:要求和的维度，可以是一个列表keepdim:求和之后这个dim的元素个数为１，所以要被去掉，如果要保留这个维度，则应当keepdim=True举例说明:import torc

2020-09-20 14:47:43 2732

原创【李航统计学】Chap2：感知机及代码实现

Chap2：感知机1. 感知机模型2. 感知机学习策略2.1 损失函数2.2 范数1. 感知机模型感知机是二类分类的线性分类模型，其输入为实例的特征向量，输出为实例的类别，取+1和-1二值。感知机对应于输入空间（特征空间）中将实例划分为正负两类的分离超平面，属于判别模型。感知机模型的假设空间是定义在特征空间中的所有线性分类模型（linear classification medel）或线性分类器（linear classifier），即函数集合{f∣f(x)=w⋅x+b}\{f|f(x) = w

2020-09-13 22:48:55 513

原创 Python函数装饰器详解

1. 装饰器增强函数或类的功能的一个函数，可以装饰函数，也可以装饰类1.1 举个栗子def time_decorator(func): #装饰器 def wrapper(*args, **kwargs): #wrapper在第二节中具体讲 # 在函数前打印开始时间 start_time = time.time() print("start time is:", start_time) # 执行待装饰函数本身

2020-09-12 20:26:16 149

原创【李航统计学笔记】Chap1：统计学习及监督学习概论

Chap1：统计学习及监督学习概论1 统计学习分类1.1 基本分类1.1.1 监督学习1.1.2 无监督学习1.1.3 强化学习1.1.4 半监督学习与主动学习1.2 按算法分类1.2.1 在线学习1.2.2 批量学习1.3 按模型分类1.3.1 概率模型与非概率模型1.3.2 线性模型与非线性模型1.3.3 参数化模型与非参数化模型2 各种概率与贝叶斯公式2.1 问题描述2.2 条件概率2.3 先验概率2.4 后验概率2.5 全概率公式2.6 贝叶斯公式Chap1 都是些初步的概念，后续都有详细展开，

2020-09-07 17:32:20 266

原创【数据分析】 Titanic乘客获救预测（3）建模与评估

建模与评估1 建立模型1.1 数据导入1.2 模型选择1.3 建模1.3.1 切割训练集与测试集1.3.2 逻辑回归模型1.3.3 随机森林模型1.3.4 模型预测结果2 模型评估2.1 交叉验证2.2 混淆矩阵2.3 ROC曲线2.3.1 ROC曲线定义2.3.2 ROC曲线绘制1 建立模型1.1 数据导入# 导入数据# 原始训练数据traintrain = pd.read_csv('titanic/titanic_train.csv')# 特征处理后数据datadata = pd.read

2020-08-27 00:55:15 402

原创【机器学习】基础入门（3）SVM支持向量机及代码实现

机器学习入门（3）SVM1 支持向量机SVM1.1 支持向量机介绍1.2 软间隔1.3 超平面2 Demo实践2.1 库函数导入2.2 构建数据集2.3 建模2.4 模型预测2.5 模型可视化1 支持向量机SVM一篇非常好的SVM理论讲解（点这里）1.1 支持向量机介绍STEP 1：构建数据集import matplotlib.pyplot as pltfrom sklearn.datasets.samples_generator import make_blobs# 散点图可视化X, y

2020-08-26 00:24:25 884 1

原创【机器学习】基础入门（2）决策树原理及代码实现

机器学习入门（2）决策树1 算法原理1.1 什么是决策树1.3 学习过程1.3.1 不纯度（GINI系数&Entropy熵）1.3.2 特征选择1.3.3 建树1.3.4 剪枝1.4 决策树三种常用算法1.4.1 ID3算法/基本决策树1.4.2 C4.5算法1.4.3 CART算法1.5 决策树算法的参数1.6 决策树算法总结2 Demo实践2.1 模型训练2.2 可视化2.3 模型预测3 数据分析3.1 数据读取3.2 缺失值处理3.3 信息查看3.4 可视化描述4 建模预测4.1 二分类预测任

2020-08-22 01:01:28 1191

原创【数据分析】 Titanic乘客获救预测（2）数据处理

【数据分析】入门案例：Titanic乘客获救预测（2）1 数据清洗及特征处理1.1 缺失值处理1.1.1 查看缺失值1 数据清洗及特征处理数据清洗是指对拿到的原始数据中的缺失值，异常值的处理，以保证后续数据分析和建模的进行。1.1 缺失值处理1.1.1 查看缺失值方法1：info()df = pd.read_csv('titanic/titanic_train.csv')print(df.info())RangeIndex: 891 entries, 0 to 890Data c

2020-08-21 18:26:04 806

原创【机器学习】基础入门（1）逻辑回归及代码实现

机器学习入门（1）逻辑回归1 逻辑回归原理2 demo实践2.1 库函数导入2.2 模型训练2.3 查看模型参数2.4 数据可视化2.5 模型预测3 逻辑回归分类实践（基于鸢尾花数据集）3.1 数据载入与查看3.2 数据可视化3.3 二分类任务预测3.4 三分类(多分类)任务预测DataWhale组队学习之机器学习了解逻辑回归的理论掌握逻辑回归的sklearn函数调用使用，并将其运用到鸢尾花数据集预测1 逻辑回归原理标记两篇写的很好的博文逻辑回归原理详解机器学习算法（一）：逻辑回归

2020-08-20 01:05:05 728

原创【数据分析】 Titanic乘客获救预测（1）基础准备

Titanic乘客获救预测（1）1 数据加载1.1 载入数据1.2 read_csv()函数1.3 观察数据1.4 保存数据2 pandas基础2.1 数据结构2.1.1 Series的创建2.1.2 DataFrame的创建2.2 pandas基础操作2.2.1 删除2.2.2 条件筛选2.2.3 查找3 初步数据分析3.1 查看统计数据3.2 排序3.2.1 排序基本方法3.2.2 排序分析DataWhale组队学习之数据分析 2020.081 数据加载数据分析入门的经典案例啦，数据可在Kaggl

2020-08-18 23:37:49 326

qq_36977302的博客