- 博客(6)
- 收藏
- 关注
RSS订阅原创 数据归一化学习笔记
目录 数据归一化的目的：方法：代码实现：Sklearn 中的 Scaler数据归一化的目的：由于特征之间的量纲不同，如果直接采用源数据进行机器学习，则不能很好的同时反应各个特征的重要程度；所以在机器学习前，首先要对数据进行 数据归一化处理，将数据映射到同一尺度。 方法：1. 最值归一化处理（normalization） ：把所有数据映射到 0-1 之间...
2018-09-10 23:45:54
518
原创 Grid Search 网格搜索（KNN算法）寻找最合适的超参数-----学习笔记
KNN算法的超参数：from sklearn.neighbors import KNeighborsClassifierKNeighborsClassifier 的超参数：1. n_neighbors : 表示选择距离最近的K个点来投票的数量。knn_clf = KNeighborsClassifier(n_neighbors=3)2.weights ：表示最近的K个点中，...
2018-09-10 18:01:13
9051
2
原创 sklearn中的线性回归学习
sklearn 中的线性回归模块实例1. 使用sklearn中 datases模块中的 波士顿房价数据； 源数据中y（房价）在50万时，会有不正确，所以选择 y < 50的数据2.对数据进行thain test 分割3.调用sklearn.linear_model 中的LinearRegression 模块创建实例化； 并传入训练数据、训练模型：4. 查看模型的系...
2018-09-10 15:39:40
315
原创 多元线性回归算法学习笔记
多元线性回归的思路和简单线性回归相比 x 由一个特征，变为一个向量 X，含有多个特征。找出一条直线（多维度实际不是直线，只是为了形象描述），最大程度的拟合 所有的点；直线的方程是 ，X ， 和Y都是已知的，只需要求出 每一个 即可，所求的也是一个向量；思路：和简单线性回归一样，让预测结果和真实的结果的差值的平方 尽可能的小；方法：先看 ，中的实际为一个行...
2018-09-09 15:52:01
8371
2
原创 R Squared学习笔记----衡量线性回归结果的最好的方法
其他三种衡量线性回归法的指标：MSE 、RMSE 、MAEMSE 反应了真值 y 和 预测值 y 之间误差的平方；缺点是误差被平方了，MSE的量纲和实际误差不同； RMSE 是对MSE开根 ，解决了MSE量纲太大的问题；MAE 反应了 真值 y 和预测值 y 差值的绝对值的均值 ；问题：MSE、RMSE、MAE 都只能反应误差的实际大小，但是不能反应算法本身的准...
2018-09-08 19:43:57
2265
原创 简单线性回归（一个特征）学习笔记
简单线性回归（一个特征）的思路 思路：假设 ， 基本符合 线性的关系，所以找到一条直线 y = ax+b 最大程度的拟合 , ;这样当给出新的 时，就可以预测出 = a +b ；目标： x 和 y 都是已知的 ， 需要求出 a：斜率 、b：截距。方法：最小二乘法（最小二乘法（又称最小平方法）是一种数学优化技术。它通过最小化误差的平方和寻找数据的最佳函数匹配...
2018-09-08 17:34:33
1358
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人