qq_37321741的博客

基本概念：测试集，特征集，监督学习，非监督学习，半监督学习，分类，回归一个简单的监督学习例子     天气：晴，阴，雨      温度：暖，冷     湿度：普通，大     风力：强，弱     水温：暖，冷     预报：一样，变化     享受运动：是，否1.这是一个分类问题，最终的结果只有true/false的答案2.x是每一个实例，X是全部的实...

机器学习中分类和预测算法的评估：1.准确率2.速度3.强壮性4.可规模性5.可解释性 1.什么是决策树/判定树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3.1熵的概念一...

数据图片 from sklearn.feature_extraction import DictVectorizerimport csvfrom sklearn import preprocessingfrom numpy import *import numpy as npfrom sklearn import treefrom sklearn.externals.si...

一、推荐系统效果评估指标1）均方根误差（RMSE）f(u,i)代表的是预测值,代表的是实际值N代表的测试集的数量所以RMSE也就是每个测试集的预测值和实际值的差的平方之和/测试集数量N 然后开根号2）平均绝对误差（MAE）和RMSE相似MAE 每个测试集的预测值和实际值的差的绝对值之和 / 测试集数量N 然后开根号3）准确率（Precision）...

一、一维梯度下降算法思想：我们要找到一个函数的谷底，可以通过不断求导，不断逼近，找到一个函数求导后为0，我们就引入了一个概念学习率（也可以叫作步长），因为是不断逼近某个x，所以学习率过大会导致超过最优解，而学习率过小，会导致收敛速度过慢。二、多维梯度下降算法思想：和一维梯度下降算法思想类似，只是导数由原来的一维变成现在的多维，算法思想本质没有变化，在计算导数的过程发生了...

算法思想：以空间中K个点为中心，对最靠近他们的点进行归类，通过迭代，逐次更新各聚类中心点的值，直到有最好的聚类效果算法描述：1）开始随机选中k个点作为初始中心2）开始迭代，求其到各中心ci的距离，算出距离di，选出di最小的一个中心点，作为这个点所在类3）利用均值的方法更新该类的中心值，也就是把迭代过后，所有属于某个中心点的值的x和y进行求平均找到新的中心点4）对于所有的c...

一、数组的创建与操作1.获取数组的元素import numpy as nparr1 = np.array([3,10,12,5,6,8,9,111])print(arr1.shape)arr2 = np.reshape(arr1,(2,4))print(arr2)print(arr1)#取出10,12print(arr1[1:3])#取出第一行第三个 12print...