- 博客(12)
- 资源 (1)
- 收藏
- 关注
原创 机器学习实战:使用 Apriori 算法进行关联分析
机器学习实战:使用 Apriori 算法进行关联分析从大规模数据集中寻找物品间的隐 含关系被称作关联分析(association analysis)或者关联规则学习(association rule learning)。这 里的主要问题在于,寻找物品的不同组合是一项十分耗时的任务,所需的计算代价很高,蛮力搜 索方法并不能解决这个问题,所以需要用更智能的方法在合理的时间范围内找到频繁项集。本章 将介绍如何使用Apriori算法来解决上述问题。
2019-12-28 20:54:40 956
原创 机器学习实战:K-Means(K-均值)聚类算法
机器学习实战:K-Means(K-均值)聚类算法聚类是一种无监督的学习,它将相似的对象归到同一个簇中。它有点像全自动分类。聚类 方法几乎可以应用于所有对象,簇内的对象越相似,聚类的效果越好。本章要学习一种称为K均值(K-means)聚类的算法。之所以称之为K-均值是因为它可以发现k个不同的簇,且每个簇的 中心采用簇中所含值的均值计算而成。下面会逐步介绍该算法的更多细节。
2019-12-28 20:53:00 1344 1
原创 机器学习实战:树回归
之前介绍的线性回归包含了一些强大的方法,但这些方法创建的模型需要拟合所有的样本点(局部加权线性回归除外)。当数据拥有众多特征并且特征之间关系十分复杂时,构建全局模型的想法就显得太难了,也略显笨拙。而且,实际生活中很多问题都是非线性的,不可能使用全局线性模型来拟合任何数据。一种可行的方法是将数据集切分成很多份易建模的数据,然后利用第8章的线性回归技术来建模。如果首次切分后仍然难以拟合线性模型就继续切分。在这种切分方式下,树结构和回归法就相当有用。本章首先介绍一个新的叫做CART的树构建算法。
2019-12-21 21:51:13 721
原创 机器学习实战:预测数值型数据 - 回归
继续学习机器学习,之前学习了分类,分类的目标变量是标称型数据,而本次将会对连续型的数据做出预测。也许有人问:“回归能用来做些什么呢?”。书中作者的观点是,回归可以做任何事情。本次首先介绍线性回归,包括其名称的由来和Python实现。在这之后引入了局部平滑技术, 分析如何更好地拟合数据。接下来,本章将探讨回归在“欠拟合”情况下的缩减(shrinkage) 技术,探讨偏差和方差的概念。最后,我们将融合所有技术,预测鲍鱼的年龄和玩具的售价。
2019-12-20 18:35:56 1261
原创 集成方法 - AdaBoost完整代码
#!/usr/bin/env python# coding: utf-8from numpy import *def loadSimpData(): """ 测试数据 Returns: dataArr feature对应的数据集 labelArr feature对应的分类标签 """ dataArr = array([...
2019-12-11 21:59:57 403
原创 机器学习实战:集成方法 - AdaBoost
机器学习实战:集成方法 - AdaBoost文章目录机器学习实战:集成方法 - AdaBoost一、集成方法:1、集成方法 概述2、集成方法 场景二、AdaBoost1、AdaBoost 概述2、AdaBoost 原理工作原理开发流程算法特点3、AdaBoost 项目案例: 马疝病的预测三、要点补充:非均衡分类问题1、其他分类性能度量指标:正确率、召回率及 ROC曲线混淆矩阵ROC曲线2、基于代...
2019-12-11 21:56:38 639
原创 支持向量机完整代码
文章目录svmMLiAsimple.pysvmcomplete.pysvmMLiAsimple.py#!/usr/bin/env python# coding: utf-8】from numpy import *import matplotlib.pyplot as pltdef loadDataSet(fileName): """ 对文件进行逐行解析,从而得到第行...
2019-12-05 20:33:09 2502
原创 机器学习实战:支持向量机
机器学习实战文章目录机器学习实战1、支持向量机 概述2、支持向量机 场景3、支持向量机 原理开发流程4、1、支持向量机 概述支持向量机(Support Vector Machines, SVM):是一种监督学习算法。支持向量(Support Vector)就是离分隔超平面最近的那些点。机(Machine)就是表示一种算法,而不是表示机器。2、支持向量机 场景要给左右两边的点进行...
2019-12-05 20:30:35 599
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人