WGS.

原创 语音识别--语音转文本

原创 语音识别---文本转为语音

语音识别技术也被成为自动语音识别，目标是以电脑自动将人类的语音内容转为相应的文本或文字转为语音文本转为语音import pyttsx3 as pyttsx# 1.使用pyttsx实现文本转语音engine = pyttsx.init()engine.say('你好，小度')engine.runAndWait()from win32com.client import Dispatch# 2.使用SAPI实现文本转语音speaker = Dispatch('SAPI.SpVoice')

原创 SVM公式推导

原创 基础神经网络调库（以手写体数字识别为例）

训练集特征https://download.csdn.net/download/qq_42363032/12471359训练集标签https://download.csdn.net/download/qq_42363032/12471362import numpyfrom sklearn.neural_network import MLPClassifierfrom sklearn.metrics import confusion_matrix, classification_reportimpo

原创 神经网络底层实现异或非

# 异或非 两者相同则为真，否则为0import numpyimport matplotlib.pyplot as plt# 异或非数据集X = numpy.array([[1, 0, 0], [1, 0, 1], [1, 1, 0], [1, 1, 1]])y = numpy.array([[1], [0], [0], [1]])# 定义网络结构: L1:3 L2:3 L3:1# 定义sigmoid 函数def g(z, deriv=False): if deriv.

原创 神经网络底层实现

看一下这个图，BP时候会用到import numpyimport matplotlib.pyplot as pltX1 = [0.697, 0.774, 0.634, 0.608, 0.556, 0.403, 0.481, 0.437, 0.666, 0.243, 0.245, 0.343, 0.639, 0.657, 0.360, 0.593, 0.719]X2 = [0.460, 0.376, 0.264, 0.318, 0.215, 0.237, 0.149, 0.211, 0.

原创 神经网络反向传播算法(图、公式)

神经网络是多个逻辑回归的叠加，所以代价函数也是用交叉熵。很多教材上说神经网络的代价函数可以用误差平方和，虽然代码能测通但是还是有点说不过去的先看一下链式求导法反向传播算法推导反向传播中传播的是误差，目的是更新权重以上是交叉熵，一下是误差平方和...

原创 神经网络的前向传播推导(图、公式)

看一个例题

原创 分类算法评估指标

引入医学图像识别二分类问题针对一个二分类问题，我们将实例分成正类(positive)和负类(negative)两种。例如：在肺结节计算机辅助识别这一问题上，一幅肺部CT图像中有肺结节被认为是阳性(positive)，没有肺结节被认为是阴性(negative)。对于部分有肺结节的示意图如下：所以在实际检测时，就会有如下四种情况：(1) 真阳性(True Positive，TP)：检测有结节，且实际有结节；正确肯定的匹配数目；(2) 假阳性(False Positive，FP)：检测有结节，但实际

转载 初识神经网络(非常好的一篇文章)

https://www.cnblogs.com/subconscious/p/5058741.html

原创 机器学习中超参数的理解

什么是超参数？在看机器学习时，经常碰到一个叫超参数的参数（hyperparameter），所以到底什么是超参数？超参数的定义：在机器学习的上下文中，超参数是在开始学习过程之前设置值的参数，而不是通过训练得到的参数数据。通常情况下，需要对超参数进行优化，给学习机选择一组最优超参数，以提高学习的性能和效果。理解：超参数也是一个参数，是一个未知变量，但是它不同于在训练过程中的参数，它是可以对训练得到的参数有影响的参数，需要训练者人工输入，并作出调整，以便优化训练模型的效果。超参数：定义关于模型的更高层

原创 正则化中的过拟合与欠拟合

一种叫过拟合（over-fitting ）另外一种叫欠拟合（under-fitting）。首先谈谈什么是过拟合呢？什么又是欠拟合呢？网上很直接的图片理解如下：所谓过拟合（over-fitting）其实就是所建的机器学习模型或者是深度学习模型在训练样本中表现得过于优越，导致在验证数据集以及测试数据集中表现不佳。打个比喻就是当我需要建立好一个模型之后，比如是识别一只狗狗的模型，我需要对这个模型进行训练。恰好，我训练样本中的所有训练图片都是二哈，那么经过多次迭代训练之后，模型训练好了，并且在训练集中表现得很

原创 回归算法的正则化

正则化：机器学习算法中为防止数据过拟合而采取的“惩罚”措施问题的由来线性回归(房屋价格)：过度拟合(over-fitting)的问题，导致效果差第一个模型是一个线性模型，欠拟合，不能很好地适应我们的训练集第三个模型是一个四次方的模型，过于强调拟合原始数据，而丢失了算法的本质：预测新数据中间的模型似乎最合适逻辑回归：过度拟合(over-fitting)的问题，导致效果差就以多项式理解，x的次数越高，拟合的越好，但相应的预测的能力就可能变差解决过拟合的方法减少变量的数量（PCA）

原创 逻辑回归代码

import numpyimport matplotlib.pyplot as pltplt.rcParams['font.sans-serif'] = ['SimHei']# 模型函数def sigmoid(X, theta): z = numpy.dot(X, theta) return 1 / (1 + numpy.exp(-z))# 代价函数def get_cost(m, h, Y): return (-1 / m) * numpy.sum(Y * nu

原创 调库实现线性回归和逻辑回归

调库实现线性回归import matplotlib.pyplot as pltfrom sklearn import linear_modelimport numpy'''# 单变量的x = [1.5, 0.8, 2.6, 1.0, 0.6, 2.8, 1.2, 0.9, 0.4, 1.3, 1.2, 2.0, 1.6, 1.8, 2.2]y = [3.1, 1.9, 4.2, 2.3, 1.6, 4.9, 2.8, 2.1, 1.4, 2.4, 2.4, 3.8, 3.0, 3.4, 4.

原创 多变量线性回归

训练集链接 https://download.csdn.net/download/qq_42363032/12441117测试集链接 https://download.csdn.net/download/qq_42363032/12441116调库实现import matplotlib.pyplot as pltfrom sklearn import linear_modelimport numpy'''# 单变量的x = [1.5, 0.8, 2.6, 1.0, 0.6, 2.8, 1

原创 画逻辑回归的代价函数图

import numpyimport matplotlib.pyplot as plt# 设置x,y坐标x = numpy.linspace(-10, 10, 100)y = 1 / (1 + numpy.exp(-x))plt.plot(x, y, 'b')y0 = 1 / (1 + numpy.exp(0))plt.scatter([0], [y0], c='r', marker='x')plt.show()

原创 逻辑回归推导及代码实现

可以看这篇文章：https://blog.csdn.net/qq_42363032/article/details/105369195普通逻辑回归import numpyimport matplotlib.pyplot as pltif __name__ == '__main__': data = numpy.loadtxt('logicData2.txt', delimiter=',') x, y = data[:, :-1], data[:, -1] X = (

原创 线性回归-正规方程(解析解)

import numpyimport matplotlib.pyplot as pltif __name__ == '__main__': data = numpy.loadtxt('data1.txt', delimiter=',') x = numpy.c_[numpy.ones(len(data[:, :-1])), data[:, :-1]] y = numpy.c_[data[:, -1]] # theta = (X^T*X)^(-1) * (X...

原创 多变量线性回归

和单变量线性回归的比较python代码实现import numpyimport matplotlib.pyplot as pltfrom mpl_toolkits.mplot3d import Axes3Dif __name__ == '__main__': numpy.random.seed(12) # 固定随机数 x1 = numpy.random.random(50) x2 = numpy.random.random(50) y = 3 + 0.7

原创 单变量线性回归

可以参考我的这篇文章回归模型任务是确定参数theta线性回归模型矩阵表达及推导代价函数想要的效果就是使样本点均匀的分布在曲线的两侧代价函数的矩阵表达及推导梯度下降梯度下降推导就是对代价函数求偏导python实现import numpyimport matplotlib.pyplot as pltdata = numpy.loadtxt('G:\A_机器学习1\workspace/ex1data1.txt', delimiter=',')x = data[:

原创 简单的jQuery随机点名

<div class="wrap"> <p class="dianming">开始点名</p> <p class="name">张三</p></div>* { margin:0; padding:0;}.wrap { width:50%; margin:50px auto; border:1px solid #CCCCCC; padding:20px; box-sizing:border-box.

原创 朴素贝叶斯题目应用及代码实现

首先回顾下公式通过一个题来看一下贝叶斯应用再看下一题如果条件是好多个特征的时候，那么后验概率的值就会有好多个，这时使用贝叶斯虽然准确但是计算量比较大，这里引入朴素贝叶斯：假设各特征相互独立，在降低一定准确率的情况下，大大的减少了计算量为了防止后验概率出现0的情况，加入平滑操作，当参数λ为1时，称为拉普拉斯平滑朴素贝叶斯对于贝叶斯来说，各特征相互独立，加入平滑操作代码实现，多项式模型和高斯模型import numpy as np"""数据预处理，取出所有特征X和所有结果y编