机器学习
文章平均质量分 84
rgb2gray
人工智能领域优质创作者,CSDN博客专家
展开
-
机器学习(八)KNN,SVM,朴素贝叶斯,决策树与随机森林
机器学习(八)KNN,SVM,朴素贝叶斯,决策树与随机森林参考:https://zhuanlan.zhihu.com/p/613410711.KNN—K最近邻(K-Nearest Neighbor)KNN可以说是最简单的分类算法之一,同时,它也是最常用的分类算法之一,注意KNN算法是有监督学习中的分类算法,它看起来和另一个机器学习算法Kmeans有点像(Kmeans是无监督学习算法),但却是有本质区别的.KNN的全称是K Nearest Neighbors,意思是K个最近的邻居,从这个名字我们就能原创 2021-08-15 12:23:07 · 6710 阅读 · 0 评论 -
机器学习(六) 卷积神经网络
机器学习(六) 卷积神经网络数据集来源:kaggle:Stanford Dogs Dataset1.数据读入import numpy as np # 导入Numpyimport pandas as pd # 导入Pandasimport os # 导入os工具print(os.listdir("../input/stanford-dogs-dataset/images/Images"))只处理10个目录:# 本示例咱只处理这10种狗吧dir = '../input/stanford-do原创 2021-08-10 19:02:28 · 3646 阅读 · 9 评论 -
机器学习(七)循环神经网络
机器学习(六)循环神经网络参考:https://zhuanlan.zhihu.com/p/123211148https://zhuanlan.zhihu.com/p/240187681.RNN传统的神经网络并不能做到持续记忆,这应该是传统神经网络的一个缺陷。假想一下,你想让神经网络对电影中每个时间点的事件进行分类,很明显,传统神经网络不能使用前一个事件去推理下一个事件。递归神经网络可以解决这个问题。它们是带有循环的神经网络,允许信息保留一段时间。在上图中,A 代表神经网络主体, xt 是网络输入原创 2021-07-15 22:56:11 · 1536 阅读 · 3 评论 -
机器学习(五) 神经网络
机器学习(五) 神经网络1.单隐层神经网络1.1 从输入层到隐藏层连接输入层和隐藏层的是W1和b1。由X计算得到H十分简单,就是矩阵运算:H=X∗W1+b1H=X*W1+b1H=X∗W1+b11.2 从隐藏层到输出层连接隐藏层和输出层的是W2和b2。同样是通过矩阵运算进行的:Y=H∗W2+b2Y=H*W2+b2Y=H∗W2+b2通过上述两个线性方程的计算,我们就能得到最终的输出Y了,但是如果你还对线性代数的计算有印象的话,应该会知道:一系列线性方程的运算最终都可以用一个线性方程表示原创 2021-07-14 02:02:53 · 1318 阅读 · 4 评论 -
机器学习(四) 逻辑回归
机器学习(四) 逻辑回归1.什么是逻辑回归逻辑回归(logistic regression)是用于分类的机器学习算法。线性回归的输出是一个数值,而不是一个标签,显然不能直接解决二分类问题。一个最直观的办法就是设定一个阈值,比如0,如果我们预测的数值 y > 0 ,那么属于标签A,反之属于标签B。另一种方法,我们不去直接预测标签,而是去预测标签为A概率,我们知道概率是一个[0,1]区间的连续数值,那我们的输出的数值就是标签为A的概率。一般的如果标签为A的概率大于0.5,我们就认为它是A类,否则就是原创 2021-07-13 02:56:42 · 789 阅读 · 1 评论 -
机器学习(三) 线性回归
一、数据收集与预处理1.1读取数据import numpy as npimport pandas as pddf_ads = pd.read_csv('C:/Users/aaa/Desktop/python/data/advertising.csv') #df表示这是一个Pandas Dataframe格式数据df_ads.head()1.2用相关热力图进行相关分析import matplotlib.pyplot as pltimport seaborn as sns #seabo原创 2021-07-08 16:12:00 · 643 阅读 · 3 评论 -
机器学习(二)
机器学习(二)一、机器学习中的数据结构1.机器学习中的数据结构称为张量(tensor)张量的维度称为轴(axis),轴的个数称为阶(rank)标量 - 0D(阶)张量向量 - 1D(阶)张量矩阵 - 2D(阶)张量序列数据 - 3D(阶)张量 例如时间序列:(样本,时间,标签)图像数据 - 4D(阶)张量 (样本,图像高度,图像宽度,颜色深度)视频数据 - 5D(阶)张量 (样本,帧,高度,宽度,颜色深度)2.张量的变形和转置可以通过numpy中的resh原创 2021-05-09 22:01:56 · 262 阅读 · 0 评论 -
机器学习(一) MNIST数据集的数字识别
机器学习(一) MNIST数据集的数字识别一、基础概念1.监督学习(supervised learning)与无监督学习(unsupervised learning)监督学习需要标签数据,无监督学习不需要标签数据2.机器学习与深度学习(deep learning)监督与无监督学习,着眼点在于数据本身。机器学习与深度学习着眼点在解决问题的方法。把层数较多,结构较为复杂的神经网络的机器学习技术叫做深度学习,如卷积神经网络(CNN),循环神经网络(RNN)3.强化学习(reinforcement le原创 2021-05-08 11:52:11 · 2107 阅读 · 0 评论