入门级：用python实现八种机器学习经典算法（附代码）

最新推荐文章于 2024-07-18 15:30:34 发布

置顶

cxq1557

最新推荐文章于 2024-07-18 15:30:34 发布

阅读量1.1k

点赞数 4

分类专栏：机器学习算法文章标签：机器学习 python 机器学习算法

本文链接：https://blog.csdn.net/qq_37134008/article/details/86563676

版权

本文回顾了机器学习课程中的八种经典算法，包括线性回归、逻辑回归、神经网络、决策树、K近邻、朴素贝叶斯、K均值聚类和支持向量机，并提供了使用Python编写的实测运行代码，适合初学者复习和参考。

摘要由CSDN通过智能技术生成

期末考试前复习了这学期机器学习学习的几种算法（包含线性回归，逻辑回归，神经网络，决策树，K近邻，朴素贝叶斯，K均值聚类，支持向量机），发现自己差的还很远。在这里简单把复习的时候整理的代码存档一下。也希望对大家有一些帮助。代码都实测运行过，笔者用的是spyder编译器。

线性回归

#线性回归  
import numpy as np
import matplotlib.pyplot as plt
k,b=2,5
x0=np.arange(0,10,0.2)
y0=k*x0+b
#噪声点
noise=np.random.normal(1,2,50)
y_noise=y0+noise

from sklearn.linear_model import LinearRegression
#构建模型
XM=np.vstack([np.ones(len(x0)),x0]).T
model=LinearRegression(fit_intercept=True)
#拟合
model.fit(XM,y_noise)
k=model.coef_[1]
b=model.intercept_
y_fitted=k*x0+b
plt.plot(x0,y0,marker='o',linestyle='')
plt.plot(x0,y0,linestyle='-',c='r')
plt.plot(x0,y_noise,marker='o',c='b',linestyle='')
plt.plot(x0,y_fitted,linestyle='-',c='g')
plt.show()