python_day3_学习代码
#python学习-day3_1(创建随机数和随机数组、创建均匀间隔的数组、一维数组与多维数组)
附代码链接:
http://localhost:8888/notebooks/cyl_day3_1(数组random、arange).ipynb
#python学习-day3_2(数组形状变化reshape函数、重复数组构建新数组tile函数)
附代码链接:
http://localhost:8888/notebooks/cyl_day3_2(数组reshape、tile函数).ipynb
#python学习-day3_3
##一维数组求和、二维数组求和、定义全0数组和全1数组、一维数组切片、二维数组切片、将数组保存到文件、数组排序sort与argsort排序
附代码链接:
http://localhost:8888/notebooks/cyl_day3_3(数组切片、保存、排序%20).ipynb
#python学习-day3_4
##1、一个数组与数值计算,数值跟每个元素进行计算
##2、两个数组进行运算
附代码链接:
http://localhost:8888/notebooks/cyl_day3_4(数组运算).ipynb
#python学习-day3_5
##使用matplotlib下的pyplot模块绘图
##在坐标系直线,抛物线,散点图
附代码链接:
http://localhost:8888/notebooks/cyl_day3_5(绘制曲线%20散点图).ipynb
#python学习-day3_6
##机器学习
##K近邻算法思想和步骤
实例:
电影名称 | 打斗镜头 | 接吻镜头 | 电影类型 |
---|---|---|---|
电影1 | 1 | 101 | 爱情片 |
电影2 | 5 | 89 | 爱情片 |
电影3 | 108 | 5 | 武打片 |
电影4 | 115 | 8 | 武打片 |
上表就是我们已有的数据集合,也就是训练样本集。这个数据集有两个特征,即打斗镜头数和接吻镜头数。除此之外,我们也知道每个电影的所属类型,即分类标签。用肉眼粗略地观察,接吻镜头多的,是爱情片。打斗镜头多的,是武打片。如果现在给我一部电影,你告诉我这个电影打斗镜头数和接吻镜头数。不告诉我这个电影类型,我可以根据你给我的信息进行判断,这个电影是属于爱情片还是武打片。而k-近邻算法也可以像我们人一样做到这一点当然,这些取决于数据集的大小以及最近邻的判断标准等因素。
k-近邻算法步骤如下:
- 计算已知类别数据集中的点与当前点之间的距离;
- 按照距离递增次序排序;
- 选取与当前点距离最小的k个点;
- 确定前k个点所在类别的出现频率;
- 返回前k个点所出现频率最高的类别作为当前点的预测分类。
附代码链接:
http://localhost:8888/notebooks/cyl_day3_6(机器学习).ipynb