![](https://img-blog.csdnimg.cn/20201014180756919.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
我爱我的女朋友-瑶瑶
文章平均质量分 94
TCQD
一位爱好码代码的鸭大研究生~
展开
-
吴恩达机器学习python实现(6):SVM支持向量机(文末附完整代码)
1 Support Vector Machines1.1 Prepare datasetsimport numpy as npimport pandas as pdimport matplotlib.pyplot as pltimport seaborn as sb # 更好的可视化封装库from scipy.io import loadmatfrom sklearn import svm'''1.Prepare datasets'''mat = loadmat('data/e原创 2021-06-02 13:41:02 · 13571 阅读 · 13 评论 -
吴恩达机器学习课后作业python实现(5):Bias vs. Variance(文末附带全部代码)
写在前面:训练集、验证集、测试集如果给定的样本数据充足,我们通常使用均匀随机抽样的方式将数据集划分成3个部分——训练集、验证集和测试集,这三个集合不能有交集,常见的比例是8:1:1。需要注意的是,通常都会给定训练集和测试集,而不会给验证集。这时候验证集该从哪里得到呢?一般的做法是,从训练集中均匀随机抽样一部分样本作为验证集。训练集训练集用来训练模型,即确定模型的权重和偏置这些参数,通常我们称这些参数为学习参数。验证集而验证集用于模型的选择,更具体地来说,验证集并不参与学习参数的确定,也就是验证集原创 2021-06-02 13:53:54 · 1022 阅读 · 0 评论 -
吴恩达机器学习Python实现课后习题(4):Backpropagation 反向传播(文末有完整代码)
1 Prepare datasets其中有5000个训练样本,每个样本是20*20像素的数字的灰度图像。每个像素代表一个浮点数,表示该位置的灰度强度。20×20的像素网格被展开成一个400维的向量。在我们的数据矩阵X中,每一个样本都变成了一行,这给了我们一个5000×400矩阵X,每一行都是一个手写数字图像的训练样本,预测手写数字图像1.1 Visualizing the data 可视化数据import numpy as npimport matplotlib.pyplot as pltfro原创 2021-05-30 11:35:09 · 10004 阅读 · 0 评论 -
最详细吴恩达机器学习课后作业(2):Logistic regression(文末有完整代码copy)
Logistic regression在这部分的练习中,你将建立一个逻辑回归模型来预测一个学生是否能进入大学。假设你是一所大学的行政管理人员,你想根据两门考试的结果,来决定每个申请人是否被录取。你有以前申请人的历史数据,可以将其用作逻辑回归训练集。对于每一个训练样本,你有申请人两次测评的分数以及录取的结果。为了完成这个预测任务,我们准备构建一个可以基于两次测试评分来评估录取可能性的分类模型。Prepare datasetsimport numpy as npimport pandas as pdi原创 2021-05-28 10:25:54 · 2176 阅读 · 2 评论 -
最详细吴恩达课后作业Python实现
ex I-代码实现单变量线性回归在本部分的练习中,您将使用一个变量实现线性回归,以预测食品卡车的利润。假设你是一家餐馆的首席执行官,正在考虑不同的城市开设一个新的分店。该连锁店已经在各个城市拥有卡车,而且你有来自城市的利润和人口数据。您希望通过使用这些数据来帮助您扩展到下一个城市;Step1: Prepare datasets按照吴老师上课时候所说的来准备数据,取最后一列为目标向量,剩余列为输入矩阵X,最重要的是记得在第一列加入新的一列,数值全部为1import numpy as npimpo原创 2021-05-21 20:46:59 · 6152 阅读 · 8 评论