可可卷的博客

在普通分类问题上，我们一般通过sklearn.metrics库评估模型，比如使用混淆矩阵，但通过pycm，我们能够更好的评估预测精度！

速查手册30s理解基本概念符号计算Keras的底层库使用Theano或TensorFlow，这两个库也称为Keras的后端。无论是Theano还 是TensorFlow，都是一个“符号主义”的库。符号主义的计算首先定义各种 变量，然后建立一个“计算图”，计算图规定了各个变量之间的计算关系。建立好的计算图需要编译已确 定其内部细节，然而，此时的计算图还是一个“空壳子”，里面没有任何实际的数据，只有当你把需要运 算的输入放进去后，才能在整个模型中形成数据流，从而形成输出值。Keras的模型搭建

既是实战，也是入门~MNIST介绍MNIST是机器学习领域的一个经典数据集，内含60000张训练图像与10000张预测图像，每张图片为28像素*28像素的灰度图像，并被划分到10个类别中(0-9)。MNIST手写数字识别，正是深度学习里的Hello World。加载数据集mnist数据预加载在keras库中，其中包括4个numpy数组from keras.datasets import mnist(train_images,train_labels),(test_images,test_la

KNN即k近邻法，k-nearest neighbor，是1967年由Cover T和Hart P提出的一种基本分类与回归方法，也是机器学习的基础算法之一。本文参考教程：《机器学习实战》KNN算法原理​ 在一个样本数据集合，也称作为训练样本集，并且样本集中每个数据都存在标签，即我们知道样本集中每一个数据与所属分类的对应关系。输入没有标签的新数据后，将新的数据的每个特征与样本集中数据对应的特征进行比较，然后算法提取样本最相似数据(最近邻)的分类标签。一般来说，我们只选择样本数据集中前k个最相似的数据，