chaosjey的博客

1. 分离训练数据集和评估数据集通常以67%作为训练集，33%作为测试集。采用sklearn中的函数进行划分：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 = train_test_split(train_data,train_target,test_size=0.3, random_state=0)参数解释：train_data：被划分的样

PCA算法原理各本书中都有，具体推导也不用放了，就简单说一下步骤：对变量进行标准化操作；计算协方差矩阵；求协方差矩阵特征值与特征向量；将特征值从大到小排序，选择做大的前k个特征值对应的特征向量；将原始数据乘这k个特征向量，将其转化到对应的k维空间中。例1：对Iris数据集进行pca降维。iris莺尾花数据集导入后为(150, 5)的矩阵，共5类数据，每类150个样本。分别为’Sepal.Length’, ‘Sepal.Width’, ‘Petal.Length’, ‘Petal.Widt

数据预处理数据格式化先用fit()函数准备数据转换的参数，再用transform函数进行预处理。fit(): 简单来说，就是求得训练集X的均值，方差，最大值，最小值,这些训练集X固有的属性。transform(): 在fit的基础上，进行标准化，降维，归一化等操作（看具体用的是哪个工具，如PCA，StandardScaler等）。fit_transform(): fit_transform是fit和transform的组合，既包括了训练又包含了转换。transform()和fit_trans

数据导入数据常以CSV格式储存，一般有三种导入方式：标准Python库reader函数：raeder处理文件中以逗号分隔的第一行数据，并将每一个数据作为一个元素存储在列表中。from csv import readerimport numpy as np# 使用标准的Python类库导入CSV数据filename = 'pima_data.csv'with open(filename, 'rt') as raw_data: readers = reader(raw_data, d

NumPy 速成数组生成一位数组(行向量）和多维数组（矩阵）import numpy as npm = np.array([1, 2, 3])print(m)print(m.shape)m = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])print(m)print(m.shape)访问第1行：m[0]访问第1列：m[:, 0]向量加法：m1+m2向量乘法：m1*m2 #注意行列对应Pandas速成Series：一位数组与一维

第三章 第一个机器学习项目共进行了五步导入数据概述数据# 导入类库from pandas import read_csvfrom pandas.plotting import scatter_matrixfrom matplotlib import pyplotfrom sklearn.model_selection import train_test_splitfrom sklearn.model_selection import KFoldfrom sklearn.model_s

感知器算法是一个简单的二分算法，相当于signoid函数的应用？具体原理参考下文：感知器学习以下代码来自书中2.2节，付我的注释理解:1. 定义感知算法eta：即η\etaη ，学习率n_iter: 初始迭代次数random_state：随机生成的权重import numpy as npimport pandas as pdimport matplotlib.pyplot as pltfrom matplotlib.colors import ListedColormapclass

学习记录学习原因是一门课程的考核要求：实现5*5的字符识别，建议使用C语言。头文件#include <opencv2/opencv.hpp>调用OpenCV函数，需要在每个函数前加上cv::为了避免，使用using namespace cv;函数cv::imread()//依据文件名来决定载入图像格式cv::Mat//自带结构cv::namewindow//屏幕上打开窗口...

插入公式：用xFormula输入后拷贝至latex换行： \空格：\行内插入公式符号：$ 符号公式 $行间插入公式符号：$$ 符号公示 $ $(两个符号间无空格）