qq_45977432的博客

原创 图卷积神经网络初识（GCN）

`

原创 决策树推导--缺失值处理

原创 强化学习的开始--演员评论家算法

# _*_ coding.utf-s _*_# 开发人员：Mark# 开发时间：2021/10/21 15:45# 文件名： 强化学习import gym, osfrom itertools import countimport paddleimport paddle.nn as nnimport paddle.optimizer as optimimport paddle.nn.functional as Ffrom paddle.distribution import Categor

原创 手写数字识别的开始

# _*_ coding.utf-s _*_# 开发人员：Mark# 开发时间：2021/10/14 17:54# 文件名： 手写数字识别.pyimport paddlefrom paddle.nn import Linearimport paddle.nn.functional as Fimport osimport numpy as npimport matplotlib.pyplot as plt#读取训练集train_dataset = paddle.vision.datas

原创 主成分分析算法

意图使用面向对象的编程实现主成分分析算法实现过程中遇到了一些意料之外的情况 没有输出数据_*_ coding.utf-s _*_开发人员：Mark开发时间：2021/10/7 15:43文件名： 主成分分析.pyimport numpy as npclass PAC: '''一个类完成主成分分析算法 ''' def __init__(self,x,y): self.x = x self.y = y def guiyi(self)

原创 隐马尔可夫链

# _*_ coding.utf-s _*_# 开发人员：Mark# 开发时间：2021/9/30 16:03# 文件名： 隐马尔可夫链.py#初始化states = ('rain', 'sun') #隐藏链的状态observations = ('w', 's', 'c') #明链状态start_probability = {'rain': 0.6, 'sun': 0.4} #隐藏链概率transition_probability = {

原创 欧拉算法的改进算法

实现了欧拉算法的优化算法利用假设出的y’及（x1,y’)的斜率 与上一个点斜率求平均以此来减小各点斜率的误差在编码过程中，尝试使用函数 但遇到一些意料之外的问题# _*_ coding.utf-s _*_# 开发人员：Mark# 开发时间：2021/9/24 8:34# 文件名： 欧拉算法.pyimport numpy as npimport matplotlib.pyplot as pltx = 0y = 1step = 0.1xx = np.zeros(100)yy

原创 神经网络以及反向传播算法的推导

原创 欧拉算法实现数据拟合

import matplotlib.pyplot as pltimport numpy as npx1 = np.zeros(100)y1 = np.zeros(100)x=0y=1for i in range(100): y = 1.1*y - 0.2*x/y x = x + 0.1 x1[i] = x y1[i] = y plt.plot(x1,y1)plt.show()[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上

原创 神经元感受器算法

神经元感受器算法已求得最优解菜鸡尝试了两种方式实现面向对象及面向过程但疏于python 学习以及对算法理解不透彻 并未运行出结果或逻辑上有错误望大佬指正 并来日将重来回温最后附大佬的程序代码import numpy as npimport math x=([1.0,1.0,1.0],[1.0,0.0,0.0],[1.0,1.0,0.0],[1.0,0.0,1.0])t=([1.0,0.0,0.0,0.0])w=([0.0,0.0,0.0])alp = 0.1error = 0.

原创 可视化作图

import matplotlib.pyplot as pltimport numpy as npif __name__ == "__main__": fig = plt.figure() ax1 = fig.add_axes([0.1, 0.45, 0.8, 0.5]) ax2 = fig.add_axes([0.1, 0.1, 0.8, 0.2]) x1 = np.linspace(0.0, 5.0) x2 = np.linspace(0.0, 3.0)

原创 房地产价格算法监督学习

import numpy as npimport mathimport randomx1= np.array([2104,1600,2400,1416,3000])x2 = np.array([3,3,3,2,4])t = np.array([400,330,369,232,540])theta0=random.random()theta1=random.random()theta2=random.random()alpla = 0.1e = 0.0000001k0=random.ra

原创 work3

import numpy as npa1 = np.random.choice(7,5) # 从0~7中随机选择5个数组成一维数组a1array([5, 2, 0, 6, 3])a2 = np.random.choice([0,1,2,3,4,5,6],5) # 从给定list中随机选择5个数组成一维数组a2array([5, 3, 6, 2, 1])a3 = np.random.choice(np.array([0,1,2,3,4,5,6]),5) # 将list换成array数组依

原创 work4

import numpy as npx = np.array([[1,2,3],[4,5,6],[1,2,3]])x.flatten()array([1, 2, 3, 4, 5, 6, 1, 2, 3])import numpy as npx = np.array([[1,2,3],[4,5,6],[1,2,3]])x.ravel()array([1, 2, 3, 4, 5, 6, 1, 2, 3])x = np.array([[1,2,3],[2,3,4]])print(np.p

原创 work5

import numpy as npnp.random.uniform()0.3957032977342064import numpy as npn = np.random.rand(3,4)narray([[ 0.61728673, 0.69854658, 0.78585459, 0.46753263], [ 0.927511 , 0.94099234, 0.82293658, 0.27401528], [ 0.80353933, 0.5849

原创 work2

import numpy as npmatrix = [[1,2,3,4],[5,6,7,8],[9,10,11,12]]p1 = np.delete(matrix, 1, 0) # 第0维度(行)第1行被删除(初始行为0行)print(p1)p2 = np.delete(matrix, 1, 1) # 第1维度(列)第1行被删除print(p2)p3 = np.delete(matrix, 1) # 拉平后删除第1个元素(初始为第0个)print(p3)p4 = np.delete

原创 work1

import numpy as npa=np.array([1,1,1,1])b=np.array([[1],[1],[1],[1]])a+bc=np.array([[1,1,1,1]])b+carray([[2, 2, 2, 2], [2, 2, 2, 2], [2, 2, 2, 2], [2, 2, 2, 2]])import numpy as npW=np.array([[1,1,1],[2,2,2]])W[:,1]array([1,