python机器学习
anne_wang_swufe
这个作者很懒,什么都没留下…
展开
-
python机器学习---监督学习---神经网络(用于分类和回归)
目录1、神经网络算法的原理2、神经网络算法的参数说明3、神经网络算法的优缺点4、使用神经网络算法进行手写识别案例1、神经网络算法的原理 在本次人工智能大潮中,深度学习(多层神经网络算法)占据了统治地位,不管是在图像识别、语音识别、自然语音处理、无人驾驶等领域,都有非常广泛的应用。本章主要介绍“多层感知器”MLP算法。 在介绍神经网络的原理之前...原创 2019-07-02 19:05:43 · 5490 阅读 · 0 评论 -
python机器学习---数据处理---文本数据处理
目录1、将文本数据进行特征提取1.1英文文本---直接用CountVectorizer1.2中文文本---先用结巴分词工具进行分词2、将分词转为数组2.1 基本词袋模型2.2 改善词袋模型---n-Gram3、进一步优化处理3.1tf-idf模型3.2 删除文本中的停用词4、如何深入自然语言处理1、将文本数据进行特征提取1.1英文文本---直接用C...原创 2019-07-03 15:59:25 · 4387 阅读 · 1 评论 -
python机器学习---监督学习---K最近邻算法(用于分类和回归)
目录1.K最近邻算法原理2.K最近邻算法项目实战2.1 电影分类2.2 酒分类3.K最近邻算法优缺点备注:本文主要来自于对《深入浅出python机器学习》书籍的学习总结笔记,感兴趣的同学可以购买本书学习,学习的本质就是形成自己的逻辑。1.K最近邻算法原理基本思想:一个样本在特征空间中,总会有k个最临近的样本。如在左边的图中,最近邻数k=1,即找到与问...原创 2019-06-27 15:13:14 · 1978 阅读 · 0 评论 -
python机器学习基础
1、什么是机器学习卡耐基梅隆大学的著名教授Tom Mitchell曾这样定义:如果一个程序在使用即有经验执行某类任务的过程中被认定是“具备学习能力的”,那么它一定需要展现出—利用现有经验,不断完善其完成既定任务的性能的特质。那么我们会发现3个关键术语:经验-Experience,任务-Task,性能-Performance。代码块任务机器学习的任务种类有很多,经典的两类任务是监督学习...原创 2019-06-27 13:01:40 · 219 阅读 · 0 评论 -
python机器学习---监督学习---朴素贝叶斯(用于分类)
目录1、朴素贝叶斯算法基本原理1.1 思想基础1.2 简单应用案例1.3 朴素贝叶斯的不同方法2、朴素贝叶斯算法实战3、朴素贝叶斯算法优缺点备注:本文主要来自于对《深入浅出python机器学习》书籍的学习总结笔记,感兴趣的同学可以购买本书学习,学习的本质就是形成自己的逻辑。1、朴素贝叶斯算法基本原理1.1 思想基础对于给出的待分类项x={a1,a2....a...原创 2019-06-28 11:53:22 · 812 阅读 · 0 评论 -
python机器学习---监督学习---决策树和随机森林(用于分类和回归)
目录1、决策树1.1决策树的基本原理1.2 决策树的优势和不足2、随机森林2.1随机森林的基本原理2.2 随机森林的优势和不足3、实战案例---收入预测案例备注:本文主要来自于对《深入浅出python机器学习》书籍的学习总结笔记,感兴趣的同学可以购买本书学习,学习的本质就是形成自己的逻辑。1、决策树1.1决策树的基本原理决策树有分类树---对离散...原创 2019-06-28 21:56:08 · 4100 阅读 · 0 评论 -
python机器学习---监督学习---线性回归模型(用于回归)
目录1、线性模型基本原理1.1 线性模型一般公式1.2 线性模型图形表示2、线性模型分类及模型实现3、线性模型的优缺点备注:本文主要来自于对《深入浅出python机器学习》书籍的学习总结笔记,感兴趣的同学可以购买本书学习1、线性模型基本原理1.1 线性模型一般公式线性模型在拟合数据集时,会让自己距离每个数据点的加和为最小值,即找到找到训练数据集中y的预测值...原创 2019-06-29 12:43:05 · 1243 阅读 · 0 评论 -
python机器学习---监督学习---支持向量机SVM(多用于分类)
目录1、支持向量机的基本原理2、支持向量机的核函数和参数选择3、支持向量机实例---对波士顿房价进行回归分析备注:本文主要来自于对《深入浅出python机器学习》书籍的学习总结笔记,感兴趣的同学可以购买本书学习1、支持向量机的基本原理 由于现实生活中,很多事情不是线性可分的(即画一条直线就能分类的),而SVM就是专治线性不可分,把分类问题转化为平面分类问题。不过...原创 2019-06-30 23:02:36 · 11322 阅读 · 2 评论