于笨笨的博客

使用清华的镜像来下载CV2十分的迅速首先切换到pytorchconda activate pytorch然后下载安装pip install -i https://pypi.tuna.tsinghua.edu.cn/simple opencv-python安装成功

pytorch部署到jupyter中在安装Aconda的同时，会将jupyter notebook一起安装，不过这里的jupyter notebook是base中的jupyter notebook二不是pytorch中的jupyter notebook，因此并不能在此jupyter notebook运行torch包。base中的jupyter：两种解决方案一、base中重新安装pytorch二、pytorch中安装jupyter notebook这里选择第二种方法首先conda acti

pytorch超级详细的安装教程第一次安装的时候安装了差不多有一整天，还安装失败了。这次安装的速度很快。首先是Anaconda的下载，我用的是上学期学python的时候老师之前给的安装包，很快就安装好了，或者去官网去下载Anaconda也挺快，链接如下：Anaconda官网其次是Anaconda安装，整个下载过程都是一路next，我只是把下载的路径改变了一下。默认路径是C盘，我调整到了其他盘。安装完整后，在看是菜单处看到新添加的东西打开这个Anaconda Prompt应用进入之后是以（bas

Python机器学习实验二：2.编写代码，实现对iris数据集的KNN算法分类及预测并改进2、改进模型，要求：（1）数据集划分采用10折交叉验证；（2）寻找最优的n_neighbors值（在5-10之间）；（3）使用新的模型预测未知种类的鸢尾花。待预测未知数据：X1=[[1.5 , 3 , 5.8 , 2.2], [6.2 , 2.9 , 4.3 , 1.3]]点个👍吧#引入十折交叉验证算法import numpy as npfrom sklearn.model_selection im

Python机器学习实验二：编写代码，实现对iris数据集的KNN算法分类及预测1、编写代码，实现对iris数据集的KNN算法分类及预测，要求：（1）数据集划分为测试集占20%；（2）n_neighbors=5；（3）评价模型的准确率；（4）使用模型预测未知种类的鸢尾花。import numpy as npfrom sklearn.model_selection import train_test_splitfrom sklearn.datasets import load_irisfro

python机器学习 实验一 使用最小二乘法进行贷款额度预测求解：当工资18000、年龄30时，额度是多少？给出代码与运行结果图代码：from mpl_toolkits.mplot3d import Axes3Dfrom pylab import mplimport matplotlib.pyplot as plt#多元函数是空间问题不再是平面问题，因此要用到三维画图#导入数据源x1 = [4000, 8000, 5000, 7500, 12000]x2 = [25, 30, 28,

python机器学习 实验一 使用最小二乘法进行房价预测数据求解：当房屋面积为55平方时，租赁价格是多少？给出代码与运行结果图主要是用数学推导出最小二乘法的公式，然后求出来所需要的各个参数，预测出来最终结果，有点像数学建模不要抄袭代码import matplotlib.pyplot as pltfrom pylab import mpl#导入数据源x = [10, 15, 20, 30, 50, 60, 60, 70]y = [0.8, 1, 1.8, 2, 3.2, 3, 3.1,

课本上线性回归算法#coding=utf-8import numpy as npfrom scipy import statsimport matplotlib.pyplot as plt#构造训练数据x = np.arange(0.,10.,0.2)m = len(x)x0 = np.full(m,1.0)input_data = np.vstack([x0,x]).T#将偏置b作为权向量的一个分量target_data = 2 * x + 5 + np.random.randn(m)

机器学习 绪论重点：一·、机器学习的定义：计算机程序通过利用经验E再人物T上获得了性能P的改善，则称为该程序对E进行了学习。二、特征向量的概念1.训练集：所有训练的样本的集合（特殊）2.测试集：所有测试样本的集合（一般）3.预测值为离散值的问题：分类4.预测值为连续值的问题：回归7.监督学习的定义：训练数据有标记信息的学习任务，即数据有标签这个部分大体包括：回归，分类，降维，结构化预测，异常检测回归：1.线性回归2.一维线性回归：一个属性惊醒描述3.多元线性回归：数据集D，样本由