qq_43270687的博客

class diedaiqi(object): def __init__(self,len): self.first = 0 self.sec = 1 self._len = len def __next__(self): if self._len == 0: raise StopIterat...

.reshape 与 .resizereshape：有返回值，所谓有返回值，即不对原始多维数组进行修改；resize：无返回值，所谓有返回值，即会对原始多维数组进行修改；

一：介绍定义：线性回归在假设特证满足线性关系，根据给定的训练数据训练一个模型，并用此模型进行预测。为了了解这个定义，我们先举个简单的例子；我们假设一个线性方程 Y=2x+1, x变量为商品的大小，y代表为销售量；当月份x =5时，我们就能根据线性模型预测出 y =11销量；对于上面的简单的例子来说，我们可以粗略把 y =2x+1看到回归的模型；对于给予的每个商品大小都能预测出销量；当然这个模型怎...

将数据归一化到[a,b]区间范围的方法：（1）首先找到样本数据Y的最小值Min及最大值Max（2）计算系数为：k=（b-a)/(Max-Min)（3）得到归一化到[a,b]区间的数据：norY=a+k(Y-Min)...

我们知道对于回归问题一般采用均方差来计算损失，这是因为回归输出的是一个实数，这样来计算一个batch中预测值与实际的均方差是自然而然的选择的，而且导数非常简单（神经网络参数的更新依据就是梯度也就是偏导），这里不再推导均方差的偏导。　　但对于分类问题，输出的是一个n维的向量，向量的每个值是对应分类的概率，概率最大的就是预测的分类结果。样本的标签值也是一个概率分布，表情衡量两个概率分布之间的距离当然...

梯度下降批量梯度下降2.随机梯度下降3.小批量梯度下降牛顿法m是梯度值v是学习率Momentum(动量法)Nesterov Momentun(牛顿动量法)Adagrad(Adaptive Gradient)diag是累加RMSpropAdadeltaAdam...

解决过拟合机器学习：1、线性回归换强学习能力的算法：SVM2、多项式扩展3、采用集成学习Boosting，做一个提升学习的操作深度学习：1、加深网络结构解决过拟合机械学习：1、加入正则化项、减枝2、采用集成学习Bagging3、增加数据集样本数目、样本增强深度学习：1、增加数据集样本数目、样本增强2、BN：批归一化3、Pooling：池化...

#特征值需要哑编码import numpy as npfrom sklearn.neighbors import KDTreeX = np.array([[0,1,1], [0,1,0], [0,0,0], [1,1,1]])tree = KDTree(X, leaf_size=2)dist, ind ...

import numpy as nparray = np.array([[1,1,1], [2,2,2]])c = np.pad(array,((0,0),(1,1)),"constant",constant_values=5)print(c)![在这里插入图片描述](https://img-blog.csdnimg.cn/201907111826462...

HSV(H色度 S饱和度 V明度)色彩空间HSV基本颜色分量范围HLS(H色度 L亮度 S饱和度)YUV(Y明亮度 U色度 V饱和度)cv2.bitwise_not()cv2.bitwise_and()cv2.bitwise_or()cv2.bitwise_xor()cv2.addWeighted(src1=图片1，alpha=图片1权重，src2=图片2，beta=图片2权重)...

Normalizer正则化StandardScaler(标准化)z = (x - u) / sMinMaxScaler(区间缩放)(X - X.min(axis=0)) / (X.max(axis=0) - X.min(axis=0))

在tensorflow中sess.run后输出的是numpy a= np.array([1,2,3]) b = np.array([1,0,3]) c = np.equal(a,b) d= c.astype(np.int32) print(c) print(d) [ True False True] [1 0 1] 通过astype可以更改numpy格式...

C1,C2,C3,C4为5种类别，f1,f2,f3,f4,f5为5种分类器。分别把5种类别用5种分类器表示(+1,-1)比如f1(J将C2看作正例，C1,C3,C4看作负例),测试样本也用这5种分类器表示，计算它与C1,C2,C3,C4的距离，距离最近的就属于这一类别。Binary Relevance...

随机梯度下降的逻辑回归代码import numpy as npimport pandas as pdfrom sklearn.datasets import load_irisld = load_iris()x_data = ld.datay_target = ld.targety_train = y_target[y_target != 2]a = []for i, j in ...

softmax原理如何使用softmax进行分类每一类y都对应一组θ值（行），形成一个关于θ的矩阵，代入x值，比较概率，概率大的就属于这一类

-a. 简单实现：Input：训练数据X、簇数目K、训练数据样本数目m、最大的更新次数max_iterOutput: 最终的簇中心centers# 1. 随机产生K个样本作为簇中心点centers = X[:K]# 2. 循环更新num_iter = 0while num_iter < max_iter:num_iter += 1# 获取所有样本的簇的隶属关系center...

注意要转换为numpy数组形式(np.asarray)

AUCTruePositiveRate=真正例(真正例+假负例)FalsePositiveRate=假正例(假正例+真负例)“True Positive Rate”作为纵轴，以“False Positive Rate”作为横轴，画出ROC曲线，ROC曲线下的面积，即为AUC的值Precision真正例/(真正例+假正例)Recall真正例/(真正例+假负例)F-measure（2...

Bagging1.随机森林：两个随机：a.对于每个子模型(决策树)，用于训练子模型的数据是从原始数据中有放回的随机抽样产生的。b.在每个子决策树构建的过程，对于每个分割点分割属性选择都是从所有的特征属性中随机选择K个特征属性，然后再从这K个特征属性中选择最优的作为当前节点的分割属性。2.Bagging解决过拟合：a.期望通过多模型的融合，让模型的泛化能力更强，模型更加稳定。b.减少模型方差...

import numpy as npfrom sklearn.ensemble import IsolationForestimport matplotlib.pyplot as pltnp.random.seed(29)x = np.random.normal(size=[100,2])x = 0.05*xx1 = x+2x2 = x-2训练数据x_train = np.vst...