![](https://img-blog.csdnimg.cn/20201014180756757.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
机器学习
文章平均质量分 82
墨玲珑
这个作者很懒,什么都没留下…
展开
-
吴恩达机器学习逻辑回归章节作业二:利用正则化逻辑回归模型预测来自制造工厂的微芯片是否通过质量保证(python实现)
吴恩达机器学习作业二:利用正则化逻辑回归模型预测来自制造工厂的微芯片是否通过质量保证(python实现)该文是针对吴恩达机器学习逻辑回归章节作业任务二,利用正则化逻辑回归模型预测来自制造工厂的微芯片是否通过质量保证,区别于任务一中利用逻辑回归模型预测一个学生是否被学校录取见博客:传送门 该模型将对特征进行映射,将二维特征向量隐射为28维,但为了避免模型过拟合问题,需要进行正则化处理。文章目录吴恩达机器学习作业二:利用正则化逻辑回归模型预测来自制造工厂的微芯片是否通过质量保证(python实现)任务读取数原创 2022-04-30 18:45:17 · 3062 阅读 · 2 评论 -
吴恩达机器学习作业二:利用逻辑回归模型预测一个学生是否被学校录取 ,二分类问题(python实现)
吴恩达机器学习作业二:利用逻辑回归模型预测一个学生是否被学校录取(python实现)文章目录吴恩达机器学习作业二:利用逻辑回归模型预测一个学生是否被学校录取(python实现)任务读取数据绘制数据,看下数据分布情况数据预处理Sigmod函数代价函数(Cost function)梯度函数寻找最优化参数(scipy.opt.fmin_tnc()函数)模型评估(准确率计算)决策边界全部代码训练数据链接任务In this part of the exercise, you will build a logis原创 2022-04-30 12:34:24 · 6991 阅读 · 1 评论 -
吴恩达机器学习作业一:利用多元线性回归模型实现房价预测(python实现)
吴恩达机器学习作业一:利用多元线性回归模型实现房价预测(python实现)该文是针对吴恩达机器学习作业任务二和任务三中,利用多元线性回归模型实现房价预测以及使用正规方程求得最佳theta的取值,使代价值最小,对于任务一利用单变量线线性回归模型实现餐车利润预测见博客:传送门文章目录吴恩达机器学习作业一:利用多元线性回归模型实现房价预测(python实现)任务归一化处理初始化值的设置代价函数的计算梯度下降算法绘制图谱,观察学习取不同值时,随着迭代次数的增加,代价值的变化速度正规方程求解全部代码任务In原创 2022-04-22 15:35:24 · 9224 阅读 · 8 评论 -
吴恩达机器学习作业一:利用线性回归模型+梯度下降算法实现餐车利润预测(python实现)
吴恩达机器学习作业一:利用线性回归模型+梯度下降算法实现餐车利润预测(python实现)该文是针对吴恩达机器学习作业任务一中,利用单变量线性回归模型实现餐车利润预测,对于任务二利用多元线线性回归模型实现房价预测见博客:当然,本文中的代价函数计算,梯度下降算法的实现也适用于多元线性回归。文章目录吴恩达机器学习作业一:利用线性回归模型+梯度下降算法实现餐车利润预测(python实现)任务数据读取绘制数据,看下数据分布情况初始化值的设置代价函数计算运行梯度下降算法图形绘制完整代码任务In this pa原创 2022-04-22 15:06:37 · 3937 阅读 · 1 评论 -
KNN模型在分类和回归任务中超级详细介绍,以及具体KNN运用实例
文章目录一、KNN简介二、分类任务三、回归任务一、KNN简介 KNN作为一种监督学习方法,其工作机制为:给定测试样本,基于某种距离度量找出训练几种与其最靠近的k个训练样本,然后基于这k个“邻居”的信息进行预测。 上述提到的某种距离度量主要有三种方法:曼哈顿距离、欧式距离和闵可夫斯基距离。在本文中,距离的计算采用的是欧式距离: KNN模型是一种“懒惰学习”的代表,此类学习技术在训练阶段仅仅是把样本保存起来,训练时间开销为零,待收到测试样本后再处理。 KNN可以在分类和回归两种任务中使用,下原创 2021-05-01 21:24:00 · 3171 阅读 · 0 评论 -
决策树基本原理,构建过程和ID3算法
文章目录一、决策树基本原理1.怎么评判选择某个属性值就是最佳划分。结点不纯性的测量2. 何时停止决策树生长二、ID3算法一、决策树基本原理 决策树作为一种常见机器学习方法。如其名,它是基于树结构进行决策的。 决策树的构建过程是一个递归的过程,从根节点开始,每次都选择最佳特征对数据进行划分,当数据集不能再被分割时,即达到叶子节点,也就是分类的结果。 根据构建的过程,我们需要解决以下两个问题:1.怎么评判选择某个属性值就是最佳划分。选择最佳划分的度量通常是根据划分后子结点不纯性的程度。如原本原创 2021-05-01 21:15:21 · 2329 阅读 · 0 评论 -
ID3算法:不使用sklearn中的决策树方法,根据数据集自己利用python编写决策树构建程序。
文章目录1.熵的计算2.最佳属性划分的选择信息熵的计算3.决策树的构建4.采用python matplotlib模块画决策树,使其决策树可视化:5.全部代码:ID3算法:不使用sklearn中的决策树方法,根据数据集自己进行编写决策树构建程序。在代码中用到的data数据,以及属性值。也可以根据自己的实际情况进行修改。data = [[1, 0, 1, ‘no’],[0, 1, 1, ‘no’],[0, 0, 0, ‘no’],[1, 1, 1, ‘no’],[0, 2, 1, ‘yes’]原创 2021-05-01 21:12:14 · 1989 阅读 · 0 评论 -
利用sklearn 中的决策树方法对鸢尾花数据建立决策树,并利用pydotplus+graphviz 对决策树进行可视化
利用sklearn 中的决策树方法对鸢尾花数据建立决策树,并利用pydotplus+graphviz 对决策树进行可视化from sklearn import treefrom sklearn.datasets import load_irisfrom sklearn.metrics import accuracy_scorefrom sklearn.model_selection import train_test_splitimport pydotplusiris=load_iris()原创 2021-04-30 16:36:21 · 1365 阅读 · 2 评论 -
两种方法:利用sklearn和不使用sklearn,自己编写KNN程序对鸢尾花数据进行分类
文章目录利用sklearn,KNN对鸢尾花数据进行分类不使用sklearn,自己编写KNN程序对鸢尾花数据进行分类利用sklearn,KNN对鸢尾花数据进行分类import numpy as npfrom sklearn.datasets import load_irisfrom sklearn.metrics import accuracy_scorefrom sklearn.model_selection import train_test_splitfrom sklearn.neighbo原创 2021-04-29 00:37:43 · 1944 阅读 · 3 评论