- 博客(16)
- 资源 (4)
- 收藏
- 关注
RSS订阅转载 Python 十分钟学会pandas基本数据操作
importIn[1]: import numpy as npIn[2]: import pandas as pdIn[3]: import matplotlib.pyplot as plt创建对象通过list创建Series，pandas创建默认的整数索引In[4]: s = pd.Series([1,3,5,np.nan,6,8]In[5]: sOut[5]:0 1....
2018-05-27 17:26:56
10448
转载 Python 数据处理pandas 库API简要说明
pandas作为python在数据科学领域关键包之一，熟练其API是必备的我们使用如下缩写：df：任意的Pandas DataFrame对象s：任意的Pandas Series对象同时我们需要做如下的引入：import pandas as pdimport numpy as nppd.read_csv(filename)：从CSV文件导入数据pd.read_table(filename)：从限定分...
2018-05-27 16:00:45
1565
转载 Python对象存储：pickle模块的使用讲解
在机器学习中，我们常常需要把训练好的模型存储起来，这样在进行决策时直接将模型读出，而不需要重新训练模型，这样就大大节约了时间。Python提供的pickle模块就很好地解决了这个问题，它可以序列化对象并保存到磁盘中，并在需要的时候读取出来，任何对象都可以执行序列化操作。Pickle模块中最常用的函数为：（1）pickle.dump(obj, file, [,protocol]) ...
2018-05-22 18:26:35
3910
1
转载 Python中SKlearn中kmeans聚类
1.随机生成二维聚类数据[python] view plain copyimport numpy as np x1 = np.array([1, 2, 3, 1, 5, 6, 5, 5, 6, 7, 8, 9, 9]) x2 = np.array([1, 3, 2, 2, 8, 6, 7, 6, 7, 1, 2, 1, 3]) x = np.array(list(zip(x1, x2)))....
2018-05-22 15:14:04
15660
转载 Python数据可视化-seaborn使用
详细介绍可以看seaborn官方API和example galler。1 set_style( ) set( )set_style( )是用来设置主题的，Seaborn有五个预设好的主题： darkgrid , whitegrid , dark , white ,和 ticks 默认： darkgrid import matplotlib.pyplot as plt import sea...
2018-05-22 14:46:19
7830
转载 scikit-learn的线性回归模型 利用pandas处理数据
内容概要如何使用pandas读入数据如何使用seaborn进行数据的可视化scikit-learn的线性回归模型和使用方法线性回归模型的评估测度特征选择的方法作为有监督学习，分类问题是预测类别结果，而回归问题是预测一个连续的结果。1. 使用pandas来读取数据Pandas是一个用于数据探索、数据处理、数据分析的Python库In [1]:import pandas as pdIn [2]:# ...
2018-05-22 14:25:49
3633
转载 Sklearn 根据现有身高和体重训练模型，再对测试集做出判断
根据现有身高和体重训练模型，再对测试集做出判断一.根据现有数据创建标签[python] view plain copy #对数据集进行预处理 import random def calc_bmi(h, w): bmi = w / (h/100) ** 2 if bmi < 18.5: return "thin" if bmi < 25.0: ret...
2018-05-12 14:38:38
2299
转载 Sklearn中的knn算法基本讲解
sklearn内置数据集数据是机器学习的关键，在机器学习工作中我们需要花费大量的时间来采集和整理数据，合理且科学的数据是得到良好机器学习效果的关键。一般而言，一个分类问题的机器学习过程需要用到四块数据内容，分别是：训练数据，一般用train来表示训练数据的分类属性，一般用target来表示测试数据，一般用test来表示测试数据的真实分类属性，用于评估分类器性能，一般用expected来表示为了方便...
2018-05-12 14:18:15
23140
3
转载 Sklearn ---SVC 参数与实例
SVC继承了父类BaseSVCSVC类主要方法：★__init__() 主要参数：C: float参数 默认值为1.0错误项的惩罚系数。C越大，即对分错样本的惩罚程度越大，因此在训练样本中准确率越高，但是泛化能力降低，也就是对测试数据的分类准确率降低。相反，减小C的话，容许训练样本中有一些误分类错误样本，泛化能力强。对于训练样本带有噪声的情况，一般采用后者，把训练样本集中错误分类的样本作为噪声。k...
2018-05-12 11:53:10
12259
3
转载 sklearn介绍
sklearn介绍scikit-learn是数据挖掘与分析的简单而有效的工具。 依赖于NumPy， SciPy和matplotlib。它主要包含以下几部分内容：从功能来分： classificationRegressionClusteringDimensionality reductionModel selectionPreprocessing从API模块来分： sklearn.base: Bas...
2018-05-12 10:58:04
989
转载 sklearn 数据预处理: StandardScaler
StandardScaler作用：去均值和方差归一化。且是针对每一个特征维度来做的，而不是针对样本。 【注：】 并不是所有的标准化都能给estimator带来好处。 “Standardization of a dataset is a common requirement for many machine learning estimators: they might behave badly i...
2018-05-09 19:34:29
5387
转载 Precision/Recall的基本概念
【Precision/Recall的基本概念】查准率和查全率是信息检索效率评价的两个定量指标，不仅可以用来评价每次检索的准确性和全面性，也是在信息检索系统评价中衡量系统检索性能的重要方面。（1）查准率（Precision ratio，简称为P），是指检出的相关文献数占检出文献总数的百分比。查准率反映检索准确性，其补数就是误检率。查准率＝（检索出的相关信息量/检索出的信息总量）*100%（2）查全率...
2018-05-09 19:32:39
5437
转载 Python数据可视化—seaborn简介和实例
Seaborn其实是在matplotlib的基础上进行了更高级的API封装，从而使得作图更加容易，在大多数情况下使用seaborn就能做出很具有吸引力的图。这里实例采用的数据集都是seaborn提供的几个经典数据集，dataset文件可见于Github。本博客只总结了一些，方便博主自己查询，详细介绍可以看seaborn官方API和example gallery，官方文档还是写的很好的。1 set...
2018-05-09 19:32:28
1007
转载 sklearn的train_test_split函数用法
sklearn的train_test_split train_test_split函数用于将矩阵随机划分为训练子集和测试子集，并返回划分好的训练集测试集样本和训练集测试集标签。格式：X_train,X_test, y_train, y_test =cross_validation.train_test_split(train_data,train_target,test_size=0.3, ran...
2018-05-09 09:07:04
6250
原创 This script performs the basic process for applying a machine learning
'''This script performs the basic process for applying a machine learningalgorithm to a dataset using Python libraries.The four steps are: 1. Download a dataset (using pandas) 2. Process the...
2018-05-08 19:52:52
167
原创 Php服务器Socket测试
测试环境： 本地xampp服务器环境（环境可能需要配置，可以查找一些相关文档）本地启动服务端：模拟tcpip客户端：<?php set_time_limit ( 0 ); // 确保在连接客户端时不会超时$ip = '10.10.20.19'; //!!本地自己电脑IP地址，确保正确，否则会出错$port = 6000; /* * +------------------...
2018-05-02 16:08:33
925
1
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人