![](https://img-blog.csdnimg.cn/20190927151053287.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
机器学习
文章平均质量分 87
以头歌教学平台为学习方针,记录自己的学习路线,请大家多多指教,多多讨论!
Yeahhh!
这个作者很懒,什么都没留下…
展开
-
线性回归方法
第1关:数据载入与分析。原创 2024-04-09 21:52:31 · 631 阅读 · 0 评论 -
AGNES层次聚类方法
本关任务:根据本关所学知识,完成函数,函数以及函数分别实现计算两个簇之间的最短距离、最远距离和平均距离。为了完成本关任务,你需要掌握:算法是一种自底向上聚合的层次聚类算法,它先会将数据集中的每个样本看作一个初始簇,然后在算法运行的每一步中找出距离最近的两个簇进行合并,直至达到预设的簇的数量。所以算法需要不断的计算簇之间的距离,这也符合聚类的核心思想(物以类聚,人以群分),因此怎样度量两个簇之间的距离成为了关键。衡量两个簇之间的距离通常分为最小距离、最大距离和平均距离。在算法中可根据具体业务选择其中一种距离作原创 2024-04-09 21:50:18 · 1093 阅读 · 0 评论 -
DBScan密度聚类方法
第1关:两点之间距离及相邻条件判断。原创 2024-04-09 21:48:12 · 1018 阅读 · 0 评论 -
K-means聚类方法
第1关:计算欧几里得距离。原创 2024-04-09 21:44:47 · 1529 阅读 · 0 评论 -
Python机器学习软件包Scikit-Learn的学习与运用
第1关:使用scikit-learn导入数据集scikit-learn包括一些标准数据集,不需要从外部下载,可直接导入使用,比如与分类问题相关的数据集和手写图像数据集,与回归问题相关的。以下列举一些简单的数据集,括号内表示对应的问题是分类还是回归:这些标准数据集采用类字典的对象格式存储,比如.data表示原始数据,是一个二维数组,通过.shape可以得到二维数组大小,.target表示存储数据类别即标签。原创 2024-04-09 21:42:06 · 1706 阅读 · 1 评论 -
缩减系数来“ 理解”数据——岭回归
头歌实践教育平台机器学习实验原创 2024-04-03 11:48:24 · 1114 阅读 · 1 评论 -
局部加权线性回归
在局部加权算法中 ,我们给待预测点附近的每个点赋予一定的权重;然后与前面的类似,在这个子集上基于最小均方差来进行普通的回归。与kNN一样,这种算法每次预测均需要事先选取出对应的数据子集。为了完成本关任务,你需要掌握:1.局部加权算法的思想;2.局部加权的核心算法。根据提示,在右侧编辑器补充代码,利用局部加权计算回归系数。本关任务:编写一个利用局部加权计算回归系数的小程序。其中w是一个矩阵,用来给每个数据点赋予权重。根据所学完成右侧编程题。原创 2024-04-09 19:08:20 · 629 阅读 · 0 评论 -
决策树
鸢尾花数据集是一类多重变量分析的数据集。通过花萼长度,花萼宽度,花瓣长度,花瓣宽度4个属性预测鸢尾花卉属于(SetosaVirginica)三个种类中的哪一类(其中分别用012代替)。原创 2024-04-09 19:15:46 · 1143 阅读 · 0 评论 -
随机森林
Bagging 是 Bootstrap Aggregating 的英文缩写,刚接触的童鞋不要误认为 Bagging 是一种算法, Bagging 和 Boosting 都是集成学习中的学习框架,代表着不同的思想。与 Boosting 这种串行集成学习算法不同, Bagging 是并行式集成学习方法。大名鼎鼎的随机森林算法就是在 Bagging 的基础上修改的算法。** Bagging 方法的核心思想就是三个臭皮匠顶个诸葛亮**。原创 2024-04-09 19:18:21 · 1204 阅读 · 0 评论 -
逻辑回归
当一看到“回归”这两个字,可能会认为逻辑回归是一种解决回归问题的算法,然而逻辑回归是通过回归的思想来解决二分类问题的算法。那么问题来了,回归的算法怎样解决分类问题呢?其实很简单,逻辑回归是将样本特征和样本所属类别的概率联系在一起,假设现在已经训练好了一个逻辑回归的模型为 f(x) ,模型的输出是样本 x 的标签是 1 的概率,则该模型可以表示, p^=f(x)。若得到了样本 x 属于标签 1 的概率后,很自然的就能想到当 p^>0.5 时 x 属于标签 1 ,否则属于标签 0。所以就有。原创 2024-04-09 19:25:38 · 1762 阅读 · 0 评论 -
softmax回归
本关任务:使用实现函数。为了完成本关任务,你需要掌握:1.回归原理,2.函数。与逻辑回归一样,回归同样是一个分类算法,不过它是一个多分类的算法,我们的数据有多少个特征,则有多少个输入,有多少个类别,它就有多少个输出。如上图,可以看出我们的数据有四个特征,三个类别。每个输入与输出都有一个权重相连接,且每个输出都有一个对应的偏置。具体公式如下:z1=x1w11+x2w12+x3w13+x4w14+b1z2=x1w21+x2w22+x3w23+x4w24+b2z3=x1原创 2024-04-09 19:30:33 · 1393 阅读 · 0 评论 -
Adaboost算法
集成学习方法是一种常用的机器学习方法,分为bagging与boosting两种方法,应用十分广泛。集成学习基本思想是:对于一个复杂的学习任务,我们首先构造多个简单的学习模型,然后再把这些简单模型组合成一个高效的学习模型。实际上,就是“三个臭皮匠顶个诸葛亮”的道理。集成学习采取投票的方式来综合多个简单模型的结果,按bagging投票思想,如下面例子:假设一共训练了5个简单模型,每个模型对分类结果预测如上图,则最终预测结果为:A:2B:33>2结果为B。原创 2024-04-09 19:34:21 · 1393 阅读 · 0 评论 -
特征工程——共享单车之租赁需求预估
第1关:数据探索与可视化。原创 2024-04-09 19:36:41 · 1282 阅读 · 0 评论 -
朴素贝叶斯分类器
概率指的是某一事件A发生的可能性,表示为P(A)。而条件概率指的是某一事件A已经发生了条件下,另一事件B发生的可能性,表示为P(B|A),举个例子:今天有25%的可能性下雨,即P(下雨)=0.25;今天75%的可能性是晴天,即P(晴天)=0.75;如果下雨,我有75%的可能性穿外套,即P(穿外套|下雨)=0.75;如果下雨,我有25%的可能性穿T恤,即P(穿T恤|下雨)=0.25;从上述例子可以看出,条件概率描述的是右边的事件已经发生之后,左边的事件发生的可能性,而不是两个事件同时发生的可能性!原创 2024-04-09 21:25:33 · 1498 阅读 · 0 评论 -
EM算法
没有接触过或者没有听过”极大似然估计“的同学可能会被这个名词唬住(每个字都认识,但是连起来就不知道是什么意思了),我们不妨拆字释意。光看拆字释意后的解释可能还是有点绕。不如举个例子:一个袋子中总共有黑白两种颜色的球,总共有 100 个,其中一种颜色的球有 90 个。现在随机从袋子中取出一个球,发现是黑球。那么问你是黑色球有 90 个,还是白色球 90 个?此时你可能会认为是黑色球有 90 个。原创 2024-04-09 21:29:31 · 1246 阅读 · 0 评论 -
主成分分析PCA
乳腺癌数据集,其实例数量是569,实例中包括诊断类和属性,帮助预测的属性一共30个,各属性包括为radius半径(从中心到边缘上点的距离的平均值),texture恶性和良性。用数据集的80%作为训练集,数据集的20%作为测试集,训练集和测试集中都包括特征和诊断类。sklearn中已经提供了乳腺癌数据集的相关接口,想要使用该数据集可以使用如下代码:#加载乳腺癌数据集#X表示特征,y表示标签数据集中部分数据与标签如下图所示(其中0表示良性,1。原创 2024-04-09 21:19:27 · 1142 阅读 · 0 评论