![](https://img-blog.csdnimg.cn/20201014180756780.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
机器学习
ToT留白
这个作者很懒,什么都没留下…
展开
-
pytorch实现两层BP网络
pytorch实现两层BP神经网络原创 2022-06-14 16:23:32 · 360 阅读 · 0 评论 -
机器学习3.逻辑回归
1.读入数据 import numpy as np import pandas as pd from sklearn.linear_model import LogisticRegression # 读入数据 data = pd.read_table('...\log_reg_data.txt',header=None) data1 = np.array(data) x = data1[:,0:2] #x的形状为(100,2),需为二维数据,如果不是,使用reshape(-1,2原创 2022-05-27 21:33:02 · 115 阅读 · 0 评论 -
机器学习2.多项式回归
1.生成数据集 # 1.生成数据集 import numpy as np data = [] # 保存样本集的列表 for i in range(100): # 循环采样100个点 x = np.random.uniform(-5., 15.) # 随机采样输入x eps = np.random.normal(0., 0.1) # 采样高斯噪声 y = -5.555 * x**3 +2.333 * x**2 + 1.477 * x + 0.089 + eps原创 2022-05-27 12:29:15 · 498 阅读 · 0 评论 -
数据处理:fit、transform、fit_transform函数
1.fit()函数 用于获取统计学特征,比如最大值、最小值、极差、方差、标准差等 2.transform()函数 用于数据的标准化、归一化 3.fit_transform()函数 3.1 首先,如果要想在 fit_transform 的过程中查看数据的分布,可以通过分解动作先 fit 再 transform,fit 后的结果就包含了数据的分布情况 3.2 如果不关心数据分布只关心最终的结果可以直接使用 fit_transform 一步到位。 3.3 其次,在项目上对训练数据和测试数据需要使用同样的标准进行转原创 2022-05-27 11:29:05 · 2489 阅读 · 0 评论 -
机器学习1.线性回归
线性回归算法 1.介绍 以一元一次函数为研究对象,形如y=wx+b,若给出(x,y)的一系列值,期望得到参数w,b的值,这里使用得工具为python及相关库,如numpy,pandas等。 2.引入封装好的库 import numpy as np import matplotlib.pyplot as plt 3.生成数据 data = [] # 保存样本集的列表 for i in range(100)原创 2022-05-22 15:59:58 · 354 阅读 · 0 评论