python-机器学习代码总结

1、实现二维正态分布（高斯分布）

1. 给定参数生成二维正态分布，并求给定值下的概率密度

def getGauss(X,mean,cov):
    covv = np.array(cov)
    c1 = math.pow(np.linalg.det(covv),0.5)#求行列式
    c2 = np.linalg.inv(covv)#求逆
    XX = np.array(X)
    meann = np.array(mean)
    de = np.array(XX-meann)
    de1 = de.T
    p1 = np.dot(de1,c2)
    p2 = (-1)* np.dot(p1,de)/2
    p = math.pow(math.e,p2)/(2*math.pi*c1)
    return p

2. 生成符合二维正态分布的随机数

import numpy as np
mean1 = [0, 0]
cov1 = [[1, 1], [1, 6]]
data = np.random.multivariate_normal(mean1, cov1, 100)

3. 协方差矩阵

#得到协方差矩阵S
def getS(mean,data):
    sum = 0
    for i in range(len(data)):
        xx = np.array(data[i]) - np.array(mean)
        xxT = reshapelist(np.array(xx))
        sum = sum + np.dot(xxT,np.array([xx]))
    return (sum/len(data))

2、矩阵简单运算

import numpy as np
lis = np.mat([[1,2,3],[3,4,5],[4,5,6]])
print(np.linalg.inv(lis))  # 求矩阵的逆矩阵

print(lis.transpose())  # 求矩阵的转置矩阵

print(np.linalg.det(lis))  # 求矩阵的行列式

print(np.linalg.eig(lis))  # 求矩阵的特征值与特征向量，求得的元组中第一个为特征值元组，第二个为相对应的特征向量

eigenvalues, feature_vectors = np.linalg.eig(cov)  # 特征值分解.得到特征值和特征向量

shape：

>>> c = array([[1,1],[1,2],[1,3],[1,4]])  
>>> c.shape  
(4, 2)  
>>> c.shape[0]  
4  
>>> c.shape[1]  
2  

3、随机数

import random
 
# 产生 1 到 10 的一个整数型随机数
print( random.randint(1,10) )        
# 产生 0 到 1 之间的随机浮点数
print( random.random() )             
# 产生  1.1 到 5.4 之间的随机浮点数，区间可以不是整数
print( random.uniform(1.1,5.4) )     
# 从序列中随机选取一个元素
print( random.choice([1, 2, 3, 4, 5, 6, 7, 8, 9, 0]) )   
# 生成从1到100的间隔为2的随机整数
print( random.randrange(1,100,2) )   
# 将序列a中的元素顺序打乱
a=[1,3,5,6,7]                
random.shuffle([1,3,5,6,7])
print(a)

3、排序

x = np.array([1,4,3,-1,6,9])
x.argsort()
# array([3, 0, 1, 2, 4, 5], dtype=int64)
#取数组最小值
x[x.argsort()[0]]
#最大值
x[x.argsort()[-1]]

4、 画图

import matplotlib.pyplot as plt
	colors1 = '#00CED1'  # 点的颜色
    colors2 = '#DC143C'
    colors3 = '#808080'
    colors4 = '#000080'
    for i in range(len(x)):
        if(abs(C[i]-0)<1e-10):
            plt.scatter(x[i], y[i],c=colors1)
        elif(abs(C[i]-1)<1e-10):
            plt.scatter(x[i], y[i], c=colors2)
        elif (abs(C[i]-2)<1e-10):
            plt.scatter(x[i], y[i], c=colors3)
        elif(abs(C[i]-3)<1e-10):
            plt.scatter(x[i], y[i], c=colors1)

    for i in range(len(mean)):
        plt.scatter(mean[i][0],mean[i][1],c=colors4)
	#plt.plot(xf, yf,label="M="+str(m-1)) #线图
    plt.figure(figsize=(6, 4))
    plt.legend()  # 显示图例
    plt.show()  # 显示画图

5、数据集来源

1. UCI数据集：http://archive.ics.uci.edu/ml/datasets.php
2. 人脸数据集：https://www.bioid.com/facedb/ （BioD人脸数据库）
   BioD人脸数据库pgm文件读取，显示操作：

# 载入脸部数据.得到m*n的数组。m*n为pgm文件的像素
def load_face_data(filepath):
    for dir_path, dir_names, file_names in os.walk(filepath):
        # walk() 函数内存放的是数据的绝对路径，同时注意斜杠的方向。
        for fn in file_names:
            if fn[-3:] == 'pgm':
                image_filename = os.path.join(dir_path, fn)
                x = mh.imread(image_filename, as_grey=True)
                print(x.shape[0])
                #画出图像
                plt.imshow(x)
                plt.axis('off')  # 不显示坐标轴
                plt.show()
    return x

用记事本打开

P5为pgm文件版本。
384 为生成数组的列数。286 为生成数组的行数。384*286为像素
255为最大灰度

6、二维数组的一些运算

#得到转置后的数组
def reserve(data):
    n = data.shape[0] #行数
    m = data.shape[1] #列数
    dataT = np.zeros((m,n))
    for i in range(n):
        for j in range(m):
            dataT[j][i] = data[i][j]
    return dataT

#行向量转化为列向量
def reshapelist(list):
    #print(list)
    rl = np.zeros((len(list),1))
    for i in range(len(list)):
        rl[i][0] = list[i]
    return rl