机器学习
喵了个咪mr
这个作者很懒,什么都没留下…
展开
-
如何使用Google colab gpu跑tensorflow
1. 登录Gmailmail.google.com2.点击右上角的九宫格,进入云端网盘3. 点击左上角新建–更多–Google Colaboratory这里可能一开始没有,点击关联更多应用,然后搜索Google Colaboratory,添加就可以了4.打开GPU修改—>笔记本设置—>选择GPU—>保存—>查看GPU在代码输入栏输入!nvidia-smi5. 上传tensorflow相关代码在第三步中的云端上传所需要的代码,上传后在colab中的左侧点击装原创 2020-06-20 22:45:33 · 1468 阅读 · 0 评论 -
百度AI Studio 安装tensorflow-gpu1.12.0
1.下载 Anaconda3/Miniconda3 安装脚本wget https://repo.anaconda.com/miniconda/Miniconda3-4.7.12.1-Linux-x86_64.sh2.安装conda3bash Miniconda3-4.7.12.1-Linux-x86_64.sh地址选用:~/work/*conda3#work中的数据不会抹除3.进入conda环境source ~/work/*conda3/bin/activate4.1 安装tensorf原创 2020-06-16 15:55:01 · 733 阅读 · 1 评论 -
神经网络计算过程
1.导入模块,生成模拟数据集import常量定义生成数据集2.前向传播:定义输入、参数和输出x= y_=w1= w2=b= y=3.反向传播:定义损失函数,反向传播方法loss=train_step=4.生成会话,训练STEPS轮with ft.Session() as sess: Init_op=tf.global_variables_initializer() sess.run(init_op) STEPS=3000 for i in range(STE原创 2020-06-15 20:49:41 · 832 阅读 · 0 评论 -
KMeans、均值漂移、DBSCAN
KMeans:欧氏距离,均值漂移:欧氏距离,服从当组样本空间的某种概率规则,不需要定义多少堆DBSCAN:定义半径评估指标:轮廓系数原创 2020-06-10 15:42:15 · 345 阅读 · 0 评论 -
机器学习相关模型和评估指标API
这里写目录标题回归模型模型:评估指标:分类模型模型:评估方式:评估指标:模型(针对分类)选择模型(针对回归)选择补充回归模型模型:线性回归import sklearn.linear_model as lm# 创建模型model = lm.LinearRegression()# 训练模型# 输入为一个二维数组表示的样本矩阵# 输出为每个样本最终的结果model.fit(输入, 输出) # 通过梯度下降法计算模型参数# 预测输出 # 输入array是一个二维数组,每原创 2020-06-09 02:15:08 · 230 阅读 · 0 评论 -
机器学习之支持向量机
支持向量机SVM原理分类完整测试代码原理支持向量机理论内容分类# 构建支持向量机线性模型model = svm.SVC(kernel='linear')model.fit(train_x,train_y)# 构建支持向量机ploy(多项式)模型model = svm.SVC(kernel='poly',degree= 3) #degree为多项式的最高次幂model.fit(train_x,train_y)# 构建支持向量机rbf(径向基核函数)模型# C:正则强度# gamm原创 2020-06-07 22:36:32 · 161 阅读 · 0 评论 -
机器学习之设置模型参数和样本集比例
目录需求所需api举例需求# 由于无法确定随机森林中的各个参数的最佳值,需要使用验证曲线进行选择model = se.RandomForestClassifier(max_depth=6, n_estimators=200, random_state=7)所需apiimport sklearn.model_selection as ms # 交叉验证train_scores, test_scores = ms.validation_curve( model, # 模型原创 2020-06-07 17:45:58 · 816 阅读 · 0 评论 -
(案例)机器学习之决策树分类--随机森林分类器
决策树分类代码思想读取文本数据整理样本空间训练随机森林模型用已训练的模型进行测试完整代码代码思想1.读取文本数据2.整理样本空间,对每一行进行标签编码,输入集与输出集3.训练随机森林模型(交叉验证)4.自定义数据,用已经训练的模型进行测试读取文本数据import numpy as np#读取文本数据并保存data = []with open('../__path__' , 'r') as f for line in f.readlines(): data.append(line[:原创 2020-06-07 16:47:25 · 958 阅读 · 0 评论 -
机器学习之数据集划分
1.定义由于数据集存在集中性,普通的人为划分可能会造成测试集(test_data)和训练集(train_data)过于集中,因此需要采用某种方法对数据进行随机划分。2.方法import sklearn.model_selection as msms.train_test_split(输入集,输出集,test_size=测试集占比,random_state=随机种子)3.例子import sklearn.model_selection as mstrain_x,test_x,t原创 2020-06-06 23:45:02 · 555 阅读 · 0 评论