机器学习-sklearn
文章平均质量分 58
MLANDAI
机器学习,知行合一
展开
-
sklearn的快速使用之一(数据集探索)
import matplotlib.pyplot as pltfrom mpl_toolkits.mplot3d import Axes3Dfrom sklearn import datasetsfrom sklearn.decomposition import PCA# 加载数据集iris = datasets.load_iris()#获取前两个数据特征集X = iris.da...原创 2018-11-15 17:11:22 · 571 阅读 · 0 评论 -
sklearn的快速使用之十(高斯朴素贝叶斯 )
"""=========================================Gaussian Naive Bayes ( 高斯朴素贝叶斯 )========================================="""print(__doc__)from sklearn import datasetsfrom sklearn.naive_bayes impo...转载 2018-11-16 10:55:36 · 881 阅读 · 0 评论 -
sklearn的快速使用之零(Scikit-learn简介)
Scikit-learn官网 (scikit-learn.org)之前在python易筋经系列中我有写过scipy的笔记[2],scipy是一个开源的基于python的科学计算工具包。基于scipy,目前开发者们针对不同的应用领域已经发展出了为数众多的分支版本,它们被统一称为Scikits,即scipy工具包的意思。而在这些分支版本中,最有名,也是专门面向机器学习的一个就是Scikit-l...转载 2018-11-16 11:11:17 · 221 阅读 · 0 评论 -
sklearn的快速使用之九(推荐算法)
"""==============构建电影推荐系统==============http://blog.csdn.net/u013185349/article/details/61192218"""print(__doc__)# 电影打分数据data = {'Lisa Rose': {'Lady in the Water': 2.5, 'Snakes on a Plane': 3...转载 2018-11-16 10:48:11 · 2440 阅读 · 0 评论 -
sklearn的快速使用之八(支持向量机)
print(__doc__)import numpy as npimport matplotlib.pyplot as pltfrom sklearn import svm, datasetsdef make_meshgrid(x, y, h=.02): """Create a mesh of points to plot in Parameters ---...原创 2018-11-15 17:34:55 · 494 阅读 · 0 评论 -
sklearn的快速使用之七(决策树回归)
print(__doc__)# Import the necessary modules and libraries#https://blog.csdn.net/csfreebird/article/details/52744037import numpy as npfrom sklearn.tree import DecisionTreeRegressorimport matplot...原创 2018-11-15 17:31:43 · 347 阅读 · 0 评论 -
sklearn的快速使用之六(决策树分类)
print(__doc__)import numpy as npimport matplotlib.pyplot as pltfrom sklearn.datasets import load_irisfrom sklearn.tree import DecisionTreeClassifier# Parametersn_classes = 3plot_colors = "ry...原创 2018-11-15 17:29:14 · 386 阅读 · 0 评论 -
sklearn的快速使用之五(随机梯度下降)
import sysimport matplotlib.pyplot as pltfrom sklearn.linear_model import SGDRegressorfrom sklearn.preprocessing import StandardScaler plt.figure() # 实例化作图变量plt.title('single variable') # 图像标题p...原创 2018-11-15 17:26:38 · 478 阅读 · 0 评论 -
sklearn的快速使用之四(多元线性回归)
from sklearn.linear_model import LinearRegression X = [[1,1,1],[1,1,2],[1,2,1]]y = [[6],[9],[8]] model = LinearRegression()r = model.fit(X, y)print (r)x2 = [[1,3,5]]y2 = model.predict(x2)pr...转载 2018-11-15 17:23:55 · 1250 阅读 · 0 评论 -
sklearn的快速使用之三(逻辑回归)
import sysfrom sklearn.feature_extraction.text import TfidfVectorizerfrom sklearn.linear_model.logistic import LogisticRegression X = [] # 前三行作为输入样本 中文的话用结巴分词X.append("fuck you")X.append("fuc...转载 2018-11-15 17:20:38 · 217 阅读 · 0 评论 -
sklearn的快速使用之二(特征工程)
from sklearn.datasets import load_irisiris = load_iris()features = iris.datatarget = iris.targetprint (features)print (target)# 无量纲化'''把不同数值规格的数据转换为同一个规格, 比如0附近。标准化( z-score standardizati...原创 2018-11-15 17:17:58 · 262 阅读 · 0 评论 -
机器学习笔记 -吴恩达(第七章:逻辑回归-正则化,python实现 附源码)
(1)正则化描述线性回归问题中的过拟合,如图3过拟合,不利于预测,图1欠拟合分类问题中的过拟合,如图3过拟合,不利于预测,图1欠拟合(2)解决方案(3)损失函数,加入了正则化,偏向选择较小的参数值来进行拟合为加入的代价函数,为正则化参数,我们不需要对进行正则化。 (4)数据查看path = 'ex2data2.txt'dat...原创 2018-11-21 16:44:27 · 3615 阅读 · 0 评论