机器学习
文章平均质量分 95
Jimmy Ding
这个作者很懒,什么都没留下…
展开
-
吴恩达机器学习作业ex7:K 均值聚类和主成分分析(Python实现)详细注释
文章目录1 K 均值聚类1.1 实施 K-means1.1.1 寻找最近的中心点1.1.2 计算中心点均值1.2 示例数据集上的 K-means1.3 随机初始化1.4 用 K-means 压缩图像1.4.1 对像素进行 K 均值分析2 主成分分析2.1 样例数据集2.3 利用 PCA 降低维度2.3.1 将数据投影到主成分上2.3.2 重建数据近似值2.3.3 预测的可视化2.4 人脸图像数据集2.4.1 面部 PCA2.4.2 降维1 K 均值聚类在本练习中,您将实现 K-means 算法,并将其用原创 2024-07-05 22:11:15 · 907 阅读 · 0 评论 -
吴恩达机器学习作业ex6:支持向量机Python实现)详细注释
例如,如果您尝试上面列出的 C 和 σ2 的 8 个值中的每一个,您将最终训练和评估(在交叉验证集上)总共 8。有了词汇表,我们就可以将预处理邮件(如图 9)中的每个单词映射到单词索引列表中,该列表包含词汇表中单词的索引。这通常会提高垃圾邮件分类器的性能,因为垃圾邮件发送者通常会随机化 URL,因此在新的垃圾邮件中再次出现任何特定 URL 的几率非常小。完成函数 gaussianKernel.m 后,脚本 ex6.m 将在提供的两个示例中测试您的核函数,您应该能看到 0.324652 的值。原创 2024-06-30 15:22:11 · 656 阅读 · 0 评论 -
吴恩达机器学习作业ex5:正则化线性回归和偏差VS方差(Python实现)详细注释
为了更好地理解非正则化(λ = 0)模型的问题,您可以看到学习曲线(图 5)显示了相同的效果,即训练误差低,但交叉验证误差高。在下一节中,您将实现一个生成学习曲线的函数,即使不容易将数据可视化,它也能帮助您调试学习算法。然而,为了更好地反映模型在现实世界中的性能,在没有用于任何训练部分(即既没有用于选择 λ 参数,也没有用于学习模型参数 θ)的测试集上评估 "最终 "模型是非常重要的。其中第 1 列是 X 的原始值,第 2 列是 X.^2 的值,第 3 列是 X.^3 的值,以此类推。原创 2024-06-26 20:58:56 · 888 阅读 · 0 评论 -
吴恩达机器学习作业ex4:反向神经网络学习(Python实现)详细注释
反向传播算法的原理如下。给定一个训练示例(x(t), y(t)),我们将首先运行 “前向传递”,计算整个网络的所有激活,包括假设 hΘ(x) 的输出值。虽然我们已明确列出了 Θ(1) 和 Θ(2) 的索引以便于理解,但请注意,您的代码通常适用于任何大小的 Θ(1) 和 Θ(2)。在 ex4.m 的下一步,它将运行所提供的函数 checkNNGradients.m,该函数将创建一个小型神经网络和数据集,用于检查您的梯度。您应该实现前馈计算,为每个示例 i 计算 hθ(x(i)),并将所有示例的成本相加。原创 2024-06-24 23:43:50 · 652 阅读 · 0 评论 -
吴恩达机器学习作业ex3:多类分类和前馈神经网络(Python实现)详细注释
在本练习中,您将使用逻辑回归和神经网络来识别手写数字(从 0 到 9)。如今,自动手写数字识别被广泛使用 - 从识别邮件信封上的邮政编码到识别银行支票上的金额。本练习将向您展示如何将您学到的方法用于此分类任务。在练习的第一部分,您将扩展之前的逻辑回归实现并将其应用于一对多分类。在练习的第一部分,您将扩展之前的逻辑回归实现并将其应用于一对多分类。原创 2024-06-19 21:45:02 · 736 阅读 · 0 评论 -
吴恩达机器学习ex3 python实现(详细注释)
3 在练习的这一部分中,您将使用与之前相同的训练集实现一个神经网络来识别手写数字。本周,您将使用我们已经训练过的神经网络中的参数。在下周的练习中,您将编写用于学习神经网络参数的反向传播算法。特别是,您的代码应返回矩阵 θ ∈ R K×(N+1) 中的所有分类器参数,其中 θ 的每一行对应于一个类的学习逻辑回归参数。在练习的这一部分中,您将通过训练多个正则化逻辑回归分类器来实现一对多分类,每个分类器对应数据集中的 K 个类别(图 1)。在练习的第一部分中,您将扩展之前的逻辑回归实现并将其应用于一对多分类。原创 2024-04-10 20:43:42 · 1095 阅读 · 0 评论 -
超详细解析——吴恩达机器学习第三周作业Logistic Regression(逻辑回归)(Python实现)
Logistic Regression1可视化数据在开始实现任何学习算法之前,如果可能的话,可视化数据总是很好的。在ex2.m的第一部分中,代码将加载数据,并通过调用函数plotData来显示在二维图上。现在您将在plotData中完成代码,以便它显示像图1这样的图形,其中轴是两个考试分数,正面和消极的例子用不同的标记显示。%matplotlib inlineimport numpy as npimport pandas as pdimport matplotlib.pyplot as pl原创 2023-01-14 17:16:13 · 1110 阅读 · 1 评论