![](https://img-blog.csdnimg.cn/20201014180756926.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
机器学习
文章平均质量分 91
埃及法老
哈
展开
-
机器学习---线性回归推导以及python实现
机器学习笔记线性回归对于给定的特征X和标签y,可以直接调用sklearn里的LinearRegression()类初始化一个线性回归模型,之后通过fit()函数在给定的数据上做拟合。# 实例化一个线性回归模型regr = linear_model.LinearRegression()# 拟合给定数据regr.fit(X_train,y_train)拟合完之后对象regr里存储着已经训练好的线性回归模型的参数,并可以使用regr来对未来的数据做预测了。这里需要注意的是,对于给定的数据我们可以提原创 2021-08-02 14:10:12 · 1000 阅读 · 0 评论 -
BP网络推导
typora-root-url: imageBPBPBP神经网络1.激活函数 激活函数(Activation Function)是在人工神经网络的神经元上运行的函数,负责将神经元的输入映射到输出端。激活函数对于人工神经网络模型去学习、理解复杂的非线性函数,具有十分重要的作用。 如果不使用激活函数,每一层输出都是上一层输入的线性运算,无论神经网络有多少层,最终的输出只是输入的线性组合,相当于感知机。如果使用了激活函数,将非线性因素引入到网络中,使得神经网络可以任意逼近任何非线性函数,能够应用.原创 2021-06-13 17:33:32 · 129 阅读 · 0 评论 -
逻辑回归--机器学习基础
文章目录逻辑回归一、逻辑回归中的条件概率1.1逻辑回归的应用1.2理解基准1.3分类问题二、使用步骤逻辑回归logistic回归是一种广义线性回归(generalized linear model),因此与多重线性回归分析有很多相同之处。它们的模型形式基本上相同,都具有 w‘x+b,其中w和b是待求参数。一、逻辑回归中的条件概率1.1逻辑回归的应用 逻辑回归是二分类问题的神器,非常简单实用,是在线上系统中使用率最高的模型。经典的二分类问题有预测贷款违约情况(违约/不会违约)原创 2021-06-11 13:49:39 · 376 阅读 · 0 评论 -
十分钟Pandas快速入门--机器学习基础(python)(二)
提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档文章目录基本数据操作一、索引操作直接使用行列索引(先列后行)结合loc或者iloc使用索引二、使用步骤总结基本数据操作本文基本数据操作数据准备:# 创建一个符合均匀分布的数据集(634,7)import numpy as npimport pandas as pd # 生成数据data = np.random.uniform(-20,20, (634,7))# 生成行索引date = pd.date_range(sta原创 2021-06-08 17:35:32 · 270 阅读 · 2 评论 -
Pandas快速入门--机器学习基础(python)
提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档文章目录内容预览Pandas的介绍为什么使用pandasDataFrameDataFrame结构DataFrame的常用属性DataFrame索引的设置修改行列索引值重设索引设置新索引MultiIndex与PanelMultiIndexPanelSeries创建SeriesSeries获取索引和值小结2.读入数据代码如下(示例):data = pd.read_csv( 'https://labfile.oss.aliyunc原创 2021-06-03 23:10:22 · 230 阅读 · 0 评论 -
周志华机器学习---训练集外误差
文章目录前言一、基本术语1.数据集(dataset)2.样本(sample)3.属性(attribute)4.属性值(attribute value)5.属性空间(attribute space)6.学习(learning)/训练(training)7.训练数据(training data)8.训练样本(training sample)9.训练集(training set)10.假设(hypothesis)11.学习器(learner)12.标记(label)13.样例(example)14.分类(clas原创 2021-05-26 00:40:06 · 1941 阅读 · 7 评论 -
数据的标准化
数据的标准化 数据的标准化(normalization)是将数据按比例缩放,使之落入一个小的特定区间。在某些比较和评价的指标处理中经常会用到,去除数据的单位限制,将其转化为无量纲的纯数值,便于不同单位或量级的指标能够进行比较和加权。 其中最典型的就是数据的归一化处理,即将数据统一映射到[0,1]区间上,常见的数据归一化的方法有:min-max标准化(Min-max normalization)log函数转换atan函数转换z-score 标准化(zero-mean normalizatio转载 2021-05-22 17:52:11 · 6212 阅读 · 0 评论