![](https://img-blog.csdnimg.cn/f8b07e4ac8c4417698b89b1d103479c0.jpeg?x-oss-process=image/resize,m_fixed,h_224,w_224)
机器学习
文章平均质量分 82
机器学习实战过程记录
豆豆豆豆芽
这个作者很懒,什么都没留下…
展开
-
《机器学习实战》11.Apriori算法进行关联分析
本章涉及到的。原创 2022-12-01 19:54:23 · 3390 阅读 · 1 评论 -
《机器学习实战》10.K-均值聚类算法
本章涉及到的。原创 2022-11-28 14:50:57 · 6272 阅读 · 3 评论 -
《机器学习实战》9.树回归
本章涉及。原创 2022-11-24 22:10:30 · 2745 阅读 · 0 评论 -
《机器学习实战》8.预测数值型数据:回归
目录预测数值型数据:回归1 利用线性回归找到最佳拟合直线2 局部加权线性回归3 示例:预测鲍鱼的年龄4 缩减系数来“理解”数据4.1 岭回归4.2 lasso4.3 前向逐步回归5 权衡偏差与方差6 示例:预测乐高玩具套装的价格6.1 收集数据:使用google购物的API6.2 训练算法:建立模型7 本章结束本节涉及的相关代码和数据本章内容:线性回归的相关特点主要是回归的一般方法:采用最小平方误差调用上述函数:输出得到的结果为: 将得到的权重系数,画图表示为:得到的输出图像为:可以看到该原创 2022-11-17 17:58:14 · 1631 阅读 · 0 评论 -
《机器学习实战》7.AdaBoost元算法提高分类性能
本章涉及到的本章内容:①组合相似的分类器来提高分类性能②应用AdaBoost算法③处理分均衡分类问题元算法背后的思路:考虑吸取多个专家而不只是一个人的意见。原创 2022-11-10 11:43:54 · 431 阅读 · 0 评论 -
《机器学习实战》6.支持向量机(SVM)
本章涉及到的向SVM有很多种实现方法,但是这里学习最流行的一种,即序列最小化(SMO)算法。在此之后,将介绍如何使用一种称为核函数的方式奖SVM拓展到更多数据集上。原创 2022-10-28 20:50:48 · 1332 阅读 · 0 评论 -
《机器学习实战》5.Logistic回归
本章设计到的①sigmoid函数和logistic回归分类器②最优化理论初步③梯度下降最优化算法④数据中的缺失项处理假设我们现在有一些数据点,我们用一条直线对这些点进行拟合(该线称为最佳拟合直线),这个拟合的过程就叫做回归logistic回归进行分类的主要思想就是:根据现有数据对分类边界线建立回归公式,一次进行分类,“回归”一词源于最佳拟合,标识要找到最佳拟合参数集。①收集数据:采用任意方法收集②准备数据:由于需要进行距离计算,因此要求数据类型为数值型。另外,结构化数据格式则最佳。原创 2022-09-21 21:42:16 · 1378 阅读 · 0 评论 -
《机器学习实战》4.朴素贝叶斯
这本书的前两章要求分类器做出艰难决策,给出“该数据实例属于哪一类”这类问题的明确答案。不过,分类器有时会产生错误结果,这时可以要求分类器给出一个最优的类别猜测结果,同时给出这个猜测的概率估计值。原创 2022-09-06 15:45:02 · 1589 阅读 · 1 评论 -
《机器学习实战》3.决策树算法
目录1.决策树概述:2.决策树构造1.1 信息增益2.2划分数据集2.3 递归构建决策树3.在python中使用matplotlib注解绘制树形图3.1 Matplotlib注解 3.2构造注解树4.测试和存储分类器4.1测试算法:使用决策树执行分类4.2 使用算法:决策树的存储4.4示例:使用决策树预测隐形眼镜类型本博客涉及相关代码和数据提取码:wdyb划分数据集的最大原则就是:将无序的数据变得更加有序,在划分数据集之前之后信息发生的变化称为信息增益,知道如何计算信息增益,我们就可以计算每个特征值划分数据原创 2022-06-09 22:18:22 · 712 阅读 · 1 评论 -
《机器学习实战》2.k-近邻算法
目录本章内容1. k-近邻算法概述1.1 使用python导入数据1.2 拿到数据1.3 解析数据1.4 测试数据1.5 结果输出2.使用K-近邻算法改进约会网站的配对效果2.1 准备数据:从文本文件中解析数据2.2 分析数据:使用Matplotlib创建散点图2.3 准备数据:归一化数据2.4 测试算法:作为完整程序验证分类器2.5 使用算法:构建完整可用系统3.手写识别系统3.1 准备数据:将图像转换为测试向量3.2 测试算法:使...原创 2022-05-27 16:25:50 · 442 阅读 · 2 评论 -
《机器学习实战》 1.机器学习基础
说在前面这一部分博客主要是记录自己根据《机器学习实战》这本书自学机器学习的记录,欢迎评论提出自己的问题,但是不喜勿喷,代码都是使用python3语言写的,所有的代码都来源于《机器学习实战》这本书上,可能存在一小部分关于python2(书上的代码使用的是python2)到python3的代码适应。就是下面这本书,不过我使用的是中文版的就叫做《机器学习实战》开发机器学习应用程序的步骤:1.收集数据2.准备输入数据3.分析输入数据4.训练算法5.测试算法6.使用算法原创 2022-05-27 14:46:36 · 138 阅读 · 0 评论 -
2.构造神经元网络模型
from tensorflow import kerasimport tensorflow as tfimport numpy as npimport matplotlib.pyplot as pltfashion_mnist=keras.datasets.fashion_mnist# 加载数据# 训练的数据集 训练的label 测试的数据集 测试的label(train_images,train_label),(test_images,test_label)=fashion_mnist.l.原创 2021-08-04 16:57:22 · 198 阅读 · 0 评论 -
1.一个神经元的网络
# import tensorflow as tf# import kerasfrom tensorflow import kerasimport numpy as np# print(tf.__version__)# 构建模型# 一层神经元 输入值input_shape[1]只有一个model=keras.Sequential([keras.layers.Dense(units=1,input_shape=[1])])# mean_squared_error:对于线性回归,检测损失mo.原创 2021-08-04 16:53:35 · 118 阅读 · 0 评论