- 博客(9)
- 资源 (1)
- 问答 (2)
- 收藏
- 关注
RSS订阅原创 Pandas常用方法
数据处理很多需要用到pandas，有两个基本类型：Series表示一维数据，DataFrame表示多维。以下是一些常用方法的整理：pandas.Series创建 Seriespandas.Series( data, index, dtype, copy)namevaluedata数据采取各种形式，如：ndarray，list，dict, constants(常量)...
2019-11-03 17:40:17
888
原创 PCA降维的原理及实现
PCA可以将数据从原来的向量空间映射到新的空间中。由于每次选择的都是方差最大的方向,所以往往经过前几个维度的划分后，之后的数据排列都非常紧密了， 我们可以舍弃这些维度从而实现降维原理内积两个向量的乘积满足:ab=∣a∣⋅∣b∣⋅cos(θ)ab= |a|\cdot |b|\cdot cos(\theta)ab=∣a∣⋅∣b∣⋅cos(θ).如果∣b∣=1|b|=1∣b∣=1的话,ab=∣a...
2019-11-03 17:32:13
1672
原创 案例1-Digit-Recognizer
搬运来的步骤一. 数据分析下载并加载数据总体预览数据:了解每列数据的含义,数据的格式等数据初步分析,使用统计学与绘图: 由于特征没有特殊的含义，不需要过多的细致分析二. 特征工程1.根据业务,常识,以及第二步的数据分析构造特征工程.2.将特征转换为模型可以辨别的类型(如处理缺失值,处理文本进行等)三. 模型选择1.根据目标函数确定学习类型,是无监督学习还是监督学习,是分类问...
2019-11-03 17:31:39
233
原创 sklearn中的SVM
SVM真的是很复杂的算法，原本以为原理看懂了实现就会很简单，然而事实并不是这样sklearn中对于支持向量机提供了很多模型：LinearSVC, LinearSVR, NuSVC, NuSVR, SVC, SVR参数SVC用于分类，用libsvm实现，参数如下：C : 惩罚项，默认为1.0，C越大容错空间越小；C越小，容错空间越大kernel : 核函数的类型，可选参数为：“l...
2019-11-03 17:31:05
16736
3
原创 支持向量机公式整理(SVM)
支持向量机可以分为三类：线性可分的情况 ==> 硬间隔最大化 ==> 硬间隔SVM近似线性可分的情况 ==> 软间隔最大化 ==> 线性支持向量机线性不可分的情况 ==> 核技巧/软间隔最大化 ==> 非线性SVM硬间隔向量机（hard margin svm）任务：寻找一条与所有支持向量距离最远的决策边界，这条决策边界就是0=wTX+b0 = ...
2019-11-03 17:30:35
1973
原创 numpy备忘（2）
x.ravel() 和 x.flatten() : 将多为数组降维到1维.ravel()返回元素的引用(对象不一样，但是元素是引用)，flatten()返回新的元素。np.meshgrid(x, y) : 返回两个矩阵（X,Y），由这两个矩阵可以将xy定义的空间中的所有点描述出来。所有的点就是网格中的一个个焦点。# 每次刷新一行的感觉axis = [-2, 2, -2, 2]x0, x1 ...
2019-11-03 17:28:30
118
原创 多项式回归 & pipeline & 学习曲线 & 交叉验证
多项式回归就是数据的分布不满足线性关系，而是二次曲线或者更高维度的曲线。此时只能使用多项式回归来拟合曲线。比如如下数据，使用线性函数来拟合就明显不合适了。接下来要做的就是升维，上面的真实函数是：$ y = 0.5x^2 + 2x + 5。而样本数据的形式是(x,y)，以这种方式只能训练出。而样本数据的形式是(x, y)，以这种方式只能训练出。而样本数据的形式是(x,y)，以这种方式只能训练出...
2019-11-03 17:27:51
1744
原创 L1、L2-正则化
出现过拟合时，使用正则化可以将模型的拟合程度降低一点点，使曲线变得缓和。L1正则化（LASSO）正则项是所有参数的绝对值的和。正则化不包含theta0，因为他只是偏置，而不影响曲线的摆动幅度。J(θ)=MSE(y,y^)+α∑i=1n∣θi∣J(\theta)=\operatorname{MSE}(y, \hat{y})+\alpha \sum_{i=1}^{n}\left|\theta...
2019-11-03 17:26:46
387
原创 三种梯度下降法的对比(BGD & SGD & MBGD)
常用的梯度下降法分为：批量梯度下降法（Batch Gradient Descent）随机梯度下降法（Stochastic Gradient Descent）小批量梯度下降法（Mini-Batch Gradient Descent）简单的算法示例数据x = np.random.uniform(-3,3,100)X = x.reshape(-1,1)y = x * 2 + 5 +...
2019-11-03 17:26:06
368
commons-fileupload-1.2.1.jar和commons-io-1.3.2.jar程序文件
2017-09-13
微信上墙的原理是什么？
2016-12-09
如何在本地的git仓库下建立新的仓库
2016-10-15
TA创建的收藏夹 TA关注的收藏夹
TA关注的人