![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
机器学习
wcc8848
一名小忧伤的研究僧。
展开
-
PCA模型原生python实现
#使用梯度上升法 import numpy as np import matplotlib.pyplot as plt X = np.empty((100,2)) ##返回一个100X2的数组 ##size为样本个数 X[:,0] = np.random.uniform(0.,100.,size =100)#随机生成100个实数在(0-100)范围内个数 X[:,1] = 0.75*X[:,0] + 3.+ np.random.normal(0,10., .原创 2022-04-27 21:50:13 · 1766 阅读 · 0 评论 -
KNN模型
KNN模型分为等权和加权模型: 等权模型: ''' import numpy as np import pandas as pd ##初始化训练数据 T = [[3, 104, -1], [2, 100, -1], [1, 81, -1], [101, 10, 1], [99, 5, 1], [98, 2, 1] ] ##预测数据 x_test = [18, 90] ##邻居 K = 5 ###列表 [[dis1,标签1],[dis2,标签原创 2022-04-27 21:39:10 · 6211 阅读 · 0 评论 -
决策树实战鸢尾花
# -- encoding:utf-8 -- """ 只要是机器学习中,代码的编写流程一般和下面这个一样!!!! Create on 19/3/2 """ import warnings import sys import numpy as np import pandas as pd import matplotlib as mpl import matplotlib.pyplot as plt from sklearn.preprocessing import StandardScaler, Lab.原创 2022-04-27 20:40:46 · 424 阅读 · 0 评论 -
决策树代码部分
决策树实战的原始的直观理解为if-else的逻辑结构 def predict(x1, x2, x3): if x3 >= 97.5: return 1 else: if x1 == 1: return 1 else: if x2 == 0: return 0 elif x2 == 1: return原创 2022-04-27 20:26:24 · 272 阅读 · 0 评论 -
决策树预备知识
决策树是一个简单的判别模型,并且可以出现在训练集上100%的准确率 决策树的内部节点是特征,叶子表示的就是标签 在具体介绍决策树之前,首先介绍它的先驱概念 1.如何通过比特(01)来表示一个随机变量X的序列 例如:: BACADDCBAC.....转化成为01001000111110010010....... 假如:P(A)= P(B)=P(C)=P(D),需要四种不同的比特来表示,且概率相等,那么笔者认为可以借助抛硬币的的方式决定,一枚硬币可以产生(0,1)两种信息表示,那么用两枚硬币,便可原创 2022-04-12 10:55:04 · 404 阅读 · 0 评论 -
为什么需要对数值类型的特征做归一化?
因为在数据存在不同的量纲,为了消除不同量纲数值的影响,使得不同指标之间具备可比性。 for example: 分析一个人的身高和体重对健康的影响,如果 使用米(m)和千克(kg)作为单位,那么身高特征会在1.6~1.8m的数值范围内,体重特征会在50~100kg的范围内,分析出来的结果显然会倾向于数值差别比 较大的体重特征。 想要得到更为准确的结果,就需要进行特征归一化(Normalization)处理,使各指标处于同一数值量级,以便进行分析。 归一化的方法有 线性函数归一化(Min-Ma原创 2021-11-28 10:48:24 · 543 阅读 · 0 评论