上课笔记-机器学习（2）-手写数字识别

最新推荐文章于 2022-07-09 16:57:42 发布
最新推荐文章于 2022-07-09 16:57:42 发布
阅读量458 收藏 3
点赞数
分类专栏： 机器学习 文章标签： 机器学习

实训四 手写数字识别

内置数据

# 读入数据
from sklearn.datasets import load_digits
digits = load_digits()
print(digits)

{'data': array([[  0.,   0.,   5., ...,   0.,   0.,   0.],
       [  0.,   0.,   0., ...,  10.,   0.,   0.],
       [  0.,   0.,   0., ...,  16.,   9.,   0.],
       ..., 
       [  0.,   0.,   1., ...,   6.,   0.,   0.],
       [  0.,   0.,   2., ...,  12.,   0.,   0.],
       [  0.,   0.,  10., ...,  12.,   1.,   0.]]), 'target': array([0, 1, 2, ..., 8, 9, 8]), 'target_names': array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]), 'images': array([[[  0.,   0.,   5., ...,   1.,   0.,   0.],
        [  0.,   0.,  13., ...,  15.,   5.,   0.],
        [  0.,   3.,  15., ...,  11.,   8.,   0.],
        ..., 
        [  0.,   4.,  11., ...,  12.,   7.,   0.],
        [  0.,   2.,  14., ...,  12.,   0.,   0.],
        [  0.,   0.,   6., ...,   0.,   0.,   0.]],

       [[  0.,   0.,   0., ...,   5.,   0.,   0.],
        [  0.,   0.,   0., ...,   9.,   0.,   0.],
        [  0.,   0.,   3., ...,   6.,   0.,   0.],
        ..., 
        [  0.,   0.,   1., ...,   6.,   0.,   0.],
        [  0.,   0.,   1., ...,   6.,   0.,   0.],
        [  0.,   0.,   0., ...,  10.,   0.,   0.]],

       [[  0.,   0.,   0., ...,  12.,   0.,   0.],
        [  0.,   0.,   3., ...,  14.,   0.,   0.],
        [  0.,   0.,   8., ...,  16.,   0.,   0.],
        ..., 
        [  0.,   9.,  16., ...,   0.,   0.,   0.],
        [  0.,   3.,  13., ...,  11.,   5.,   0.],
        [  0.,   0.,   0., ...,  16.,   9.,   0.]],

       ..., 
       [[  0.,   0.,   1., ...,   1.,   0.,   0.],
        [  0.,   0.,  13., ...,   2.,   1.,   0.],
        [  0.,   0.,  16., ...,  16.,   5.,   0.],
        ..., 
        [  0.,   0.,  16., ...,  15.,   0.,   0.],
        [  0.,   0.,  15., ...,  16.,   0.,   0.],
        [  0.,   0.,   2., ...,   6.,   0.,   0.]],

       [[  0.,   0.,   2., ...,   0.,   0.,   0.],
        [  0.,   0.,  14., ...,  15.,   1.,   0.],
        [  0.,   4.,  16., ...,  16.,   7.,   0.],
        ..., 
        [  0.,   0.,   0., ...,  16.,   2.,   0.],
        [  0.,   0.,   4., ...,  16.,   2.,   0.],
        [  0.,   0.,   5., ...,  12.,   0.,   0.]],

       [[  0.,   0.,  10., ...,   1.,   0.,   0.],
        [  0.,   2.,  16., ...,   1.,   0.,   0.],
        [  0.,   0.,  15., ...,  15.,   0.,   0.],
        ..., 
        [  0.,   4.,  16., ...,  16.,   6.,   0.],
        [  0.,   8.,  16., ...,  16.,   8.,   0.],
        [  0.,   1.,   8., ...,  12.,   1.,   0.]]]), 'DESCR': "Optical Recognition of Handwritten Digits Data Set\n===================================================\n\nNotes\n-----\nData Set Characteristics:\n    :Number of Instances: 5620\n    :Number of Attributes: 64\n    :Attribute Information: 8x8 image of integer pixels in the range 0..16.\n    :Missing Attribute Values: None\n    :Creator: E. Alpaydin (alpaydin '@' boun.edu.tr)\n    :Date: July; 1998\n\nThis is a copy of the test set of the UCI ML hand-written digits datasets\nhttp://archive.ics.uci.edu/ml/datasets/Optical+Recognition+of+Handwritten+Digits\n\nThe data set contains images of hand-written digits: 10 classes where\neach class refers to a digit.\n\nPreprocessing programs made available by NIST were used to extract\nnormalized bitmaps of handwritten digits from a preprinted form. From a\ntotal of 43 people, 30 contributed to the training set and different 13\nto the test set. 32x32 bitmaps are divided into nonoverlapping blocks of\n4x4 and the number of on pixels are counted in each block. This generates\nan input matrix of 8x8 where each element is an integer in the range\n0..16. This reduces dimensionality and gives invariance to small\ndistortions.\n\nFor info on NIST preprocessing routines, see M. D. Garris, J. L. Blue, G.\nT. Candela, D. L. Dimmick, J. Geist, P. J. Grother, S. A. Janet, and C.\nL. Wilson, NIST Form-Based Handprint Recognition System, NISTIR 5469,\n1994.\n\nReferences\n----------\n  - C. Kaynak (1995) Methods of Combining Multiple Classifiers and Their\n    Applications to Handwritten Digit Recognition, MSc Thesis, Institute of\n    Graduate Studies in Science and Engineering, Bogazici University.\n  - E. Alpaydin, C. Kaynak (1998) Cascading Classifiers, Kybernetika.\n  - Ken Tang and Ponnuthurai N. Suganthan and Xi Yao and A. Kai Qin.\n    Linear dimensionalityreduction using relevance weighted LDA. School of\n    Electrical and Electronic Engineering Nanyang Technological University.\n    2005.\n  - Claudio Gentile. A New Approximate Maximal Margin Classification\n    Algorithm. NIPS. 2000.\n"}

# 分别获取data、target、images
X, y, images = digits["data"], digits["target"], digits["images"]
print(X.shape, y.shape, images.shape) #1797个图像，每个图像的像素都是8*8

(1797, 64) (1797,) (1797, 8, 8)

#分析一幅图像的数据
print(images[100])
print(X[100].reshape(8,8)) #X就是拉直了的images

[[  0.   0.   0.   2.  13.   0.   0.   0.]
 [  0.   0.   0.   8.  15.   0.   0.   0.]
 [  0.   0.   5.  16.   5.   2.   0.   0.]
 [  0.   0.  15.  12.   1.  16.   4.   0.]
 [  0.   4.  16.   2.   9.  16.   8.   0.]
 [  0.   0.  10.  14.  16.  16.   4.   0.]
 [  0.   0.   0.   0.  13.   8.   0.   0.]
 [  0.   0.   0.   0.  13.   6.   0.   0.]]
[[  0.   0.   0.   2.  13.   0.   0.   0.]
 [  0.   0.   0.   8.  15.   0.   0.   0.]
 [  0.   0.   5.  16.   5.   2.   0.   0.]
 [  0.   0.  15.  12.   1.  16.   4.   0.]
 [  0.   4.  16.   2.   9.  16.   8.   0.]
 [  0.   0.  10.  14.  16.  16.   4.   0.]
 [  0.   0.   0.   0.  13.   8.   0.   0.]
 [  0.   0.   0.   0.  13.   6.   0.   0.]]

# 绘图看看其中一行数据
%matplotlib inline
import matplotlib.pyplot as plt
#plt.imshow(images[100])
plt.imshow(X[100].reshape(8,8))
print(y[100])  #查看标注->4

在这里插入图片描述

# 机器学习过程
# 选用KNN算法

#引入库
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier

#划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=33)

#生成模型
knn = KNeighborsClassifier(n_neighbors=5)

#模型学习
knn.fit(X_train, y_train)

#模型预测
y_pred = knn.predict(X_test)

#模型评估
print("KNN手写识别：", knn.score(X_test, y_test))



KNN手写识别： 0.986111111111

#拿出一幅图像检验
print(y_pred[50])
plt.imshow(X_test[50].reshape(8,8))

在这里插入图片描述

# 看一下分类模型评估报告
from sklearn.metrics import classification_report
print(classification_report(y_test, y_pred))

             precision    recall  f1-score   support

          0       1.00      1.00      1.00        29
          1       0.94      1.00      0.97        46
          2       1.00      1.00      1.00        37
          3       1.00      1.00      1.00        39
          4       1.00      1.00      1.00        25
          5       0.97      0.97      0.97        37
          6       0.98      1.00      0.99        41
          7       1.00      1.00      1.00        29
          8       1.00      0.95      0.98        44
          9       1.00      0.94      0.97        33

avg / total       0.99      0.99      0.99       360

# 选取支持向量机算法（SVM）
from sklearn.svm import SVC #SVC是分类，用于回归的是SVR
svc = SVC(gamma=0.001, C=1)
svc.fit(X_train, y_train)
y_pred = svc.predict(X_test)
print("SVM手写识别：",svc.score(X_test, y_test))
# 看一下分类模型评估报告
from sklearn.metrics import classification_report
print(classification_report(y_test, y_pred))

SVM手写识别： 0.988888888889
             precision    recall  f1-score   support

          0       1.00      1.00      1.00        29
          1       0.98      1.00      0.99        46
          2       1.00      1.00      1.00        37
          3       1.00      1.00      1.00        39
          4       1.00      1.00      1.00        25
          5       0.97      0.95      0.96        37
          6       0.98      1.00      0.99        41
          7       1.00      1.00      1.00        29
          8       1.00      0.98      0.99        44
          9       0.97      0.97      0.97        33

avg / total       0.99      0.99      0.99       360

来自Kaggle的手写数字数据集

# 读入数据（内置数据是字典，可以直接取data，而csv文件有表头）
import pandas as pd
digits = pd.read_csv("data/digit_train.csv")
print(digits.shape) #784开方是28，像素更清晰了（28*28）

(42000, 785)

# 分别获取数据和标记（X和y）
X = digits.iloc[:,1:].values #去掉label列
y = digits.iloc[:,0].values
print(X.shape, y.shape)

(42000, 784) (42000,)

# 绘制数字图像 # %matplotlib inline 引进了这个就不用每次都写plt.show()了
%matplotlib inline 
import matplotlib.pyplot as plt
plt.imshow(X[300].reshape(28,28))
print(y[300])

在这里插入图片描述

# 划分训练集和测试集
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=33)

#选取KNN分类算法 (计算这个点与其他点的距离,KNN算法只用循环一次，其他方法不止)
from sklearn.neighbors import KNeighborsClassifier
knn = KNeighborsClassifier()
knn.fit(X_train, y_train)
print("KNN手写数字准确度：", knn.score(X_test, y_test))

KNN手写数字准确度： 0.965158730159

# 上面的KNN算法运行该例子的时间会非常长,因为维度高
# 解决方案:降维    (去掉重复的特征,也就是列,高度相关的,比如出生日期和年龄)
from sklearn.decomposition import PCA #PCA(主成分分析)
pca = PCA(n_components=50, whiten=True)   #想要多少维度,784维度压到50维度，压缩之后再划分
X_pca = pca.fit_transform(X)#这是压缩后的
print(X_pca.shape)

(42000, 50)

# 对降维后的数据重新划分训练集和测试集并且进行学习
X_train, X_test, y_train, y_test = train_test_split(X_pca, y, test_size=0.3, random_state=33)
knn = KNeighborsClassifier()
knn.fit(X_train, y_train)
print("KNN手写数字准确度：", knn.score(X_test, y_test))

KNN手写数字准确度： 0.95873015873

# 降到多少维是合适的
from sklearn.decomposition import PCA
pca = PCA()
pca.fit(X)
EV_list = pca.explained_variance_
EVR_list = []
for i in range(len(EV_list)):
    EVR_list.append(EV_list[i]/EV_list[0])  #找突变
for j in range(len(EVR_list)):
    if EVR_list[j] < 0.1:
        print("推荐的维度：",j)
        break;

推荐的维度： 22

# 根据推荐的维度再来一次
from sklearn.decomposition import PCA #PCA(主成分分析)
pca = PCA(n_components=22, whiten=True)   #想要多少维度,784维度压到50维度，压缩之后再划分
#pca.fit(X)
#X_pca = pca.fit_transfrom(X)  #这两步可以合成为下面一步
X_pca = pca.fit_transform(X)#这是压缩后的
print(X_pca.shape)
X_train, X_test, y_train, y_test = train_test_split(X_pca, y, test_size=0.3, random_state=33)
knn = KNeighborsClassifier()
knn.fit(X_train, y_train)
print("KNN手写数字准确度：", knn.score(X_test, y_test))

(42000, 22)
KNN手写数字准确度： 0.967222222222

# ------用支持向量机算法完整实现手写数字的识别
# 引入库
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.decomposition import PCA
from sklearn.svm import SVC

# 读入数据
digits = pd.read_csv("data/digit_train.csv")
X = digits.iloc[:,1:].values
y = digits.iloc[:,0].values

# 对数据进行降维（根据推荐维度：22）
pca = PCA(n_components=22, whiten=True) 
X_pca = pca.fit_transform(X)

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X_pca, y, test_size=0.3, random_state=0)

#使用SVM算法学习
svc = SVC(C=15) #参数：kernel="rbf" 映射，高曲面； C，惩罚项越大，越关注分错的类别，加大对错误的学习，但不能过大，会过拟合； gamma，学习域，迈的步子
svc.fit(X_train, y_train)
print("SVM手写数字识别的准确度：", svc.score(X_test, y_test))

#模型评估
y_pred = svc.predict(X_test)
print(classification_report(y_pred, y_test))

SVM手写数字识别的准确度： 0.975317460317
             precision    recall  f1-score   support

          0       0.99      0.98      0.98      1255
          1       0.99      0.99      0.99      1424
          2       0.98      0.97      0.97      1298
          3       0.96      0.98      0.97      1281
          4       0.97      0.98      0.98      1234
          5       0.97      0.97      0.97      1117
          6       0.99      0.98      0.98      1262
          7       0.97      0.98      0.97      1323
          8       0.97      0.97      0.97      1202
          9       0.95      0.96      0.96      1204

avg / total       0.98      0.98      0.98     12600

# 观察模型的参数
print(svc)

SVC(C=15, cache_size=200, class_weight=None, coef0=0.0,
  decision_function_shape=None, degree=3, gamma='auto', kernel='rbf',
  max_iter=-1, probability=False, random_state=None, shrinking=True,
  tol=0.001, verbose=False)

# 决策树
from sklearn.tree import DecisionTreeClassifier
dtc = DecisionTreeClassifier()
dtc.fit(X_train, y_train)
print("决策树手写数字识别的准确度：", dtc.score(X_test, y_test))

决策树手写数字识别的准确度： 0.831349206349

# 随机森林
from sklearn.ensemble import RandomForestClassifier
rfc = RandomForestClassifier()
rfc.fit(X_train, y_train)
print("随机森林手写数字识别准确度：", rfc.score(X_test, y_test))

随机森林手写数字识别准确度： 0.917222222222

# 用kaggle网站给出的测试数据检验模型
import pandas as pd
test = pd.read_csv("data/digit_test.csv")
XX = test.values
pca = PCA(n_components=22, whiten=True)
XX_pca = pca.fit_transform(XX)
yy = svc.predict(XX_pca)
print(yy[:10])

[2 0 8 2 4 3 0 9 0 7]

# 随机森林的预测
yy = rfc.predict(XX_pca)
print(yy[:10])

[2 0 8 2 7 2 0 9 0 7]

#knn
yy = knn.predict(XX_pca)
print(yy[:10])

[2 0 5 2 0 6 0 3 0 4]

# 绘图验证
%matplotlib inline
import matplotlib.pyplot as plt
plt.imshow(XX[6].reshape(28,28))

在这里插入图片描述

超参数的选取

  • 交叉验证（k-折验证）
  • 网格搜索
# 内置手写数字数据集
# 支持向量计算法
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC
from sklearn.datasets import load_digits
from sklearn.model_selection import GridSearchCV #交叉验证网格搜索

digits = load_digits()
X, y = digits["data"], digits["target"]
svc = SVC()

#交叉验证网格搜索(为了找到最适合的参数)
params = {"C":[1,5,10,15,20,50,100], "gamma":[0.0001, 0.001,0.005, 0.01, 0.05, 0.1], "kernel":["rbf", "linear"]}
grid = GridSearchCV(svc, params, cv=5, scoring="accuracy")
grid.fit(X, y)
print(grid.best_score_)
print(grid.best_params_)

0.972732331664
{'C': 5, 'gamma': 0.001, 'kernel': 'rbf'}

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0)
svc = SVC(C=5, gamma=0.001, kernel="rbf")
svc.fit(X_train, y_train)
print("SVM手写数字识别的准确度：", svc.score(X_test, y_test))

SVM手写数字识别的准确度： 0.990740740741

课堂练习

对内置的手写数字识别数据集采用随机森林算法，利用交叉验证网格搜索（5折）寻找以下参数的最佳组合：

  • n_estimators: 5, 10, 15, 20
  • n_jobs: 1, 3, 5, 8
  • max_features: “auto”, 0.1, 0.2, 0.3, 0.5, 0.8, 1
  • oob_score: True, False
    然后用得到的最佳参数生成学习器，进行模型评估
# 引入库
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.decomposition import PCA
from sklearn.svm import SVC
from sklearn.ensemble import RandomForestClassifier

# # 读入数据
# digits = load_digits()
# X, y = digits["data"], digits["target"]

# # # 对数据进行降维（根据推荐维度：22）
# # pca = PCA(n_components=22, whiten=True) 
# # X_pca = pca.fit_transform(X)

rfc = RandomForestClassifier()

#交叉验证网格搜索(为了找到最适合的参数)
params = {"n_estimators":[5,10,15,20], "n_jobs":[1,3,5,8], "max_features":["auto", 0.1, 0.2, 0.3, 0.5, 0.8, 1]}
grid = GridSearchCV(rfc, params, cv=5, scoring="accuracy")
grid.fit(X, y)
print(grid.best_score_)
print(grid.best_params_)

0.930439621592
{'max_features': 0.1, 'n_estimators': 20, 'n_jobs': 5}

# 用上面得到的最佳参数生成学习器，进行模型评估

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0)

# 随机森林
rfc = RandomForestClassifier(n_estimators=20, n_jobs=5, max_features= 0.1)
rfc.fit(X_train, y_train)
print("随机森林手写数字识别准确度：", rfc.score(X_test, y_test))


随机森林手写数字识别准确度： 0.962962962963
栽鹿up
关注
  • 0
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
SVM学习笔记（二）----手写数字识别
江湖影
01-02 2万+
SVM学习笔记（二） 引言 人类视觉系统是世界上众多的奇迹之一。看看下面的手写数字序列： 大多数人毫不费力就能够认出这些数字为504192。如果尝试让计算机程序来识别诸如上面的数字，就会明显感受到视觉模式识别的困难。关于我们识别形状——–“9顶上有一个圈，右下方则是一条竖线”这样的简单直觉，实际上算法很难轻易表达出来。 SVM分类算法以另一个角度来考虑问题。其思路是获取大量的手
JSP学习笔记-2.pdf
11-28
JSP学习笔记-2.pdf
手写数字识别——数据降维(PCA)技术在图像识别中的应用
不凡De老五
12-19 1万+
数据降维处理； 手写数字识别；
【PCA实现与实战】基于python实现PCA算法并用于手写数字识别
Mr.Pru
07-09 2116
PCA算法的python实现，并用于手写数字识别
【机器学习】PCA主成分分析应用 手写数字识别
weixin_44727383的博客
03-03 949
from sklearn.neighbors import KNeighborsClassifier from sklearn.model_selection import train_test_split from sklearn.svm import SVC import matplotlib.pyplot as plt import numpy as np path = "./knn_nu...
基于PCA和K-近邻算法的手写数字识别
haimeier的博客
11-25 2345
PCA降维后的K-近邻算法的手写数字识别，数据集使用scikit-learn中自带的手写数字图片数据集。主要使用python开源机器学习库scikit-learn完成。
【深度学习】手写数字识别Tensorflow2实验报告
热门推荐
BetterBench的博客
07-03 2万+
实验一：手写数字识别 一、实验目的 利用深度学习实现手写数字识别，当输入一张手写图片后，能够准确的识别出该图片中数字是几。输出内容是0、1、2、3、4、5、6、7、8、9的其中一个。 二、实验原理 （1）采用用全连接神经网络训练 全连接神经网络模型是一种多层感知机(MLP)，感知机的原理是寻找类别间最合理、最具有鲁棒性的超平面，感知机最具代表的是SVM支持向量机算法。神经网络同时借鉴了感知机和仿生学，通常来说，动物神经接受一个信号后会发送各个神经元，各个神经元接受输入后根据自身判断，激活产生输出信号后汇总从
机器学习读书笔记-手写体.pdf
01-27
手写体扫描件，集中公式，方便查阅
机器学习心得以手写数字识别举例
最新发布
03-17
在机器学习领域，手写数字识别是一个非常经典的入门示例，它经常被用来介绍和实践各种机器学习算法。这个例子通常使用MNIST数据集，这是一个包含60,000个训练样本和10,000个测试样本的数据集，每个样本都是28x28像素...
吴恩达-机器学习-个人笔记完整版
12-15
这份"吴恩达-机器学习-个人笔记完整版"包含了该课程的主要知识点，以及作者对这些知识的理解和补充，对于想要深入学习或复习机器学习的人来说是一份宝贵的资源。 首先，笔记可能从机器学习的基本概念开始，如监督...
手写数字识别数据集
03-07
官方手写数字识别数据集，压缩包内包含四个压缩文件：t10k-images-idx3-ubyte.gz t10k-labels-idx1-ubyte.gz train-images-idx3-ubyte.gz train-labels-idx1-ubyte.gz
基于支持向量机对手写数字识别的实现
07-28
是我的毕业设计 基于python SVM实现对手写数字的识别 代码完整 注解详细，适合新手学习参考。有可视化的手写框 下载后如果需要帮助，可以联系我。
利用贝叶斯分类器实现手写数字识别（实验报告）
01-27
利用贝叶斯分类器实现手写数字识别，要数据的可以发私信，有测试集和训练集。太大不布出来。
MNIST手写体数字训练/测试数据集(图片)下载及Python分割预处理代码
03-24
1、MNIST手写体数字训练/测试数据集(图片格式) 2、Python分割出单个数字的预处理代码 参考博文： https://blog.csdn.net/Jkwwwwwwwwww/article/details/65628235
SVM实现手写数字识别
03-30
基于opencv-SVM算法实现手写数字识别，使用Qt做UI实现手写板，可以实时测试，资源包含源代码和可执行程序（release文件夹下的exe文件可以直接运行测试）
COURSERA 吴恩达老师机器学习课程笔记-机器学习笔记-[机器学习与推荐算法].pdf
09-03
课程笔记涵盖了从机器学习的介绍到具体模型的实现，如单变量和多变量线性回归。以下是这些知识点的详细解释： 1. **机器学习介绍** - **什么是机器学习？** 机器学习是人工智能的一个分支，它使计算机系统通过经验...
Python可以这样学（第九季 机器学习案例与实战）
01-24
陆续介绍和分享一些机器学习方面的案例，Python基础知识可以参考前面的“Python可以这样学”8套系列课程，或者阅读作者Python系列教材《Python程序设计（第2版）》、《Python程序设计基础（第2版）》、《Python可以这样学》、《Python程序设计开发宝典》或《中学生可以这样学Python》。
三种方法实现手写数字识别（基于ics.uci/optdigits数据集）
Laughing
12-10 2074
三种方法实现手写数字识别，广州大学人工智能导论综合设计实验
手写数字识别——SVM和XGBOOST
东汄的博客
05-02 3221
下面是训练集和测试集的部分图像 SVM模型代码（进行了调参）： #!/usr/bin/python # -*- coding:utf-8 -*- import numpy as np import pandas as pd from sklearn import svm import matplotlib.colors import matplotlib.pyplot as plt f...
scikit-learn学习笔记.pdf
06-06
scikit-learn学习笔记.pdfscikit-learn学习笔记.pdfscikit-learn学习笔记.pdfscikit-learn学习笔记.pdfscikit-learn学习笔记.pdfscikit-learn学习笔记.pdfscikit-learn学习笔记.pdfscikit-learn学习笔记.pdfscikit-learn学习笔记.pdf

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值