skullFang的博客

前言为了 更好的训练数据并且更好测试模型，一般做机器学习之前都会进行训练集和测试集的切分。train_test_split实现其实我们可以先把数据的输入X和输出向量y进行一个水平拼接，然后随机之后拆开，但是过程比较麻烦。在sklearn中shuffle的并不是训练集，而是训练集长度大小的随机索引。产生随机索引值shuffle_indexes=np.random.pe

前言这是机器学习最简单的算法，当然并不是说简单就没人用。knn算法的优点就是简单而且便于实现，并且有一定好的效果。算法原理K近邻的算法思路很简单。背景假设 有两个类别散落在这个特征空间中。 现在有一个新的样本需要预测它属于哪个类别。 思路介绍step1: 暴力的求出新样本与其余所有样本的“距离”。 step2: 找到距离它最近的k的点。（这就是k近

前言一元线性回归只是让我们好理解回归这个概念。在实际中特征很少说只有一个。所有就有多元线性回归。概念与一元线性回归一样，多元线性回归自然是一个回归问题。只不过一元线性回归的方程可以写成。 y=ax+b 多元线性回归是 y=a1x1+a2X2+a3X3+…+anXn+b 相当于我们高中学的一元一次方程，变成了n元一次方程。因为y还是那个y。只是特征增多了。模型的训练

前言机器学习第二个基础的算法。跟上一篇博客类似这一遍博客会深入讨论线性回归的细节问题。线性回归算法线性回归算法主要解决回归问题（废话），但是使用线性回归一定要假装认为数据一定呈线性。其思想简单，实现容易。并且其思路就是大名鼎鼎神经网络的基础。也是很多非线性模型的基础。不像knn，其结果有很好的解释性。思路就是从一堆看起来没有联系的样本点中找到一个直线方程，能让数据尽可能

前言分类问题的评价指标是准确率，那么回归算法的评价指标就是MSE，RMSE，MAE、R-Squared。下面一一介绍均方误差（MSE）MSE （Mean Squared Error）叫做均方误差。看公式 这里的y是测试集上的。用 真实值-预测值 然后平方之后求和平均。猛着看一下这个公式是不是觉得眼熟，这不就是线性回归的损失函数嘛！！！ 对，在线性回归的时候我们的目的就

前言好久没有更新博客，在之前的博文用代码一步一步完成了手写数字识别，但是在工业应用中不需要这么复杂的实现。我们造车再也不需要自己造轮子。Tensorflow作为当今最流行的机器学习框架，也是Google的亲儿子，对其学习也是有必要性。当然tensorflow也出来很久了，在写本文的时候tensorflow已经是1.8版本。这篇文章没有什么理论知识，因为理论知识早在前面的文章说过了，也用代码实现...