第二周机器学习笔记

已于 2024-07-13 21:44:07 修改
阅读量1k 收藏 24
点赞数 31
文章标签： 机器学习 笔记 人工智能
于 2024-07-13 21:40:48 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/wzb2090886937/article/details/140277929
版权

1.pandas索引操作

1.1直接使用行列名称索引(先列后行)

data[列名称][行名称]

import pandas as pd
import numpy  as np
ind = ["2024-2-13","2024-2-12","2024-2-10","2024-2-09"]
col   = ["low","high","open",'volume',"price"]
data=np.random.randint(10,14,(4,5))
test = pd.DataFrame(data,index=ind,columns=col)
print(test["low"]["2024-2-13"])

在这里插入图片描述
！！！注意:
1.写成先行后列，程序就会报错
2.并且只能获取一个位置的值

1.2结合loc或者iloc使用索引

使用loc、iloc可以获取连续位置的值
注意：这里要先行后列了

loc 使用行列索引名称

test.loc['2024-2-13':'2024-2-10','open']

在这里插入图片描述
iloc 使用行列下标

test.iloc[:2,:4]  #前闭后开

在这里插入图片描述
ix 使用下标和索引

2.赋值操作

对某一列的内容重新赋值

test.high=1    # 1  
print(test)

在这里插入图片描述

test["high"]=4  # 2
print(test)

在这里插入图片描述

3.排序

3.1 DataFrame排序

3.1.1 使用df.sort_values(by=, ascending=)

  • 单个键或者多个键排序
  • 参数
    • by：指定排序参考的键
    • ascending:默认升序
      • ascending=False降序
      • ascending=True 升序
res = test.sort_values(by="high")
print(res)

在这里插入图片描述
!!! 注意排序后得到一个新的DataFrame，原来的并未改变

res = test.sort_values(by=["high","open"])
print(res)

在这里插入图片描述
对多个列索引排序时先对第一个索引的值排序，如果第一个索引的值相同对第二列索引的值进行排序

3.1.2使用df.sort_index对行索引进行排序

res = test.sort_index()
print(res)

在这里插入图片描述

3.2 Series排序

3.1.1使用df.sort_values(ascending=)进行排序

Series只有一列所以不需要 by参数

test = pd.Series(data=[1,3,4,2],index=["2024-2-1","2024-2-13","2024-2-10","2024-3-1"])
print(test)

在这里插入图片描述

res= test.sort_values()
print(res)

在这里插入图片描述

3.1.2使用df.sort_index()

res = test.sort_index()
print(res)

在这里插入图片描述

4.DataFrame的运算

4.1算术运算

add()

print(test)
res = test["high"].add(10)
print(res)

在这里插入图片描述

sub()

print(test)
res = test["high"].sub(10)
print(res)

在这里插入图片描述

4.2逻辑运算

4.2.1逻辑运算符

&

res = test[(test["high"]>=13) & (test["high"]<14)]   #前后都要加（）
print(res)

在这里插入图片描述

4.2.2逻辑运算函数

  • query(expr)
    • expr:查询字符串
res = test.query("high>=12 & high<14")
print(res)

在这里插入图片描述

  • isin(values)
res = test[test["high"].isin([12,13])]
print(res)

在这里插入图片描述

4.3统计运算

4.3.1describe

综合分析: 能够直接得出很多统计结果, count , mean , std , min , max 等

test.describe()

在这里插入图片描述

4.3.2统计函数

在这里插入图片描述
对于单个函数去进行统计的时候，坐标轴还是按照默认列“columns” (axis=0, default)，如果要对行“index” 需要指定(axis=1)
注意求平均值median时是先对其进行从小到大排序然后再求平均值

4.3.3累计统计函数

在这里插入图片描述
在这里插入图片描述

ans = test["open"].cumsum()
print(ans)

在这里插入图片描述
可以用累计统计函数得到的结果直接画图

import  matplotlib.pyplot as plt
ans.plot()
plt.show()

在这里插入图片描述

4.4自定义运算

  • apply(func, axis=0)
    • func:自定义函数
    • axis=0:默认是列，axis=1为行进行运算
res = test[["open","high"]].apply(lambda x : x.max()-x.min(),axis=0)
print(res)

在这里插入图片描述

5.pandas画图

5.1 pandas.DataFrame.plot

5.2 pandas.Series.plot

Series.plt的使用与DataFrame相同
更多细节：https://pandas.pydata.org/pandas-docs/stable/generated/pandas.Series.plot.html?highlight=plot#pandas.Series.plot

6.pandas的CSV、HDF5、JSON文件的读取

6.1 csv的读取

6.1.1pd.read_csv

  • pandas.read_csv(filepath_or_buffer, sep =‘,’, usecols )
    • filepath_or_buffer:文件路径
    • sep :分隔符，默认用","隔开
    • usecols:指定读取的列名，列表形式
data = test.to_csv("stock_day.csv",columns=['open','high'])
print(data)

text.csv文件内容：
在这里插入图片描述

6.1.2 pd.to-csv

  • DataFrame.to_csv(path_or_buf=None, sep=', ’, columns=None, header=True, index=True, mode=‘w’, encoding=None)
    • path_or_buf :文件路径
    • sep :分隔符，默认用","隔开
    • columns :选择需要的列索引
    • header :boolean or list of string, default True,是否写进列索引值
      115
    • index:是否写进行索引
    • mode:‘w’：重写, ‘a’ 追加
data = pd.read_csv("stock_day.csv",usecols=['open'])
print(data)

在这里插入图片描述

6.2 HDF5的读取

6.2.1read_hdf和to_hdf

HDF5的文件后缀为： .h5
HDF5文件的读取和存储需要指定一个键，值为要存储的DataFrame

  • pandas.read_hdf(path_or_buf，key =None，** kwargs)
    从h5文件当中读取数据
    • path_or_buffer:文件路径
    • key:读取的键
    • return:Theselected object
  • DataFrame.to_hdf(path_or_buf, key, \kwargs)

6.3json的读取

6.3.1 read_json

  • pandas.read_json(path_or_buf=None, orient=None, typ=‘frame’, lines=False)
    • 将JSON格式准换成默认的Pandas DataFrame格式
    • orient : string,Indication of expected JSON string format.
      • ‘split’ : dict like {index -> [index], columns -> [columns], data -> [values]}
        • split 将索引总结到索引，列名到列名，数据到数据。将三部分都分开了
      • ‘records’ : list like [{column -> value}, … , {column -> value}]
        • records 以 columns：values 的形式输出
      • ‘index’ : dict like {index -> {column -> value}}
        • index 以 index：{columns：values}… 的形式输出
      • ‘columns’ : dict like {column -> {index -> value}},默认该格式
        • colums 以 columns:{index:values} 的形式输出
      • ‘values’ : just the values array
        • values 直接输出值
    • lines : boolean, default False
      • 按照每行读取json对象
    • typ : default ‘frame’， 指定转换成的对象类型series或者dataframe

6.3.2 to_json

  • DataFrame.to_json(path_or_buf=None, orient=None, lines=False)
    • 将Pandas 对象存储为json格式
    • path_or_buf=None：文件地址
    • orient:存储的json形式，{‘split’,’records’,’index’,’columns’,’values’}
    • lines:一个对象存储为一行

7.高级处理

7.1缺失值处理

首先判断缺失值是用什么表示的
如果是np.nan以外的其他符号（？等等）则需要先改成np.nan再进行缺失值的处理

7.1.1缺失值不是用Nan表示的

  • df.replace(to_replace=, value=)
    • to_replace:替换前的值
    • value:替换后的值

7.1.2判断是否有缺失值（nan）

  • pd.isnull(df), 是缺失值的为True
  • pd.notnull(df) 不是缺失值的为False
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
data =pd.read_csv("https://archive.ics.uci.edu/ml/machine-learning-databases/breast-cancer-wisconsin/breast-cancer-wisconsin.data")
data.replace(to_replace="?",value=np.nan)
np.all(pd.isnull(data))

在这里插入图片描述
其中np.all所有都为True时才为真

7.1.3 存在缺失值nan,并且是np.nan

7.1.3.1删除缺失值

#不修改原数据

movie.dropna(axis=) :可以指定删除nan所在的行或者列

x = data.dropna(axis=1)
ans = np.all(pd.isnull(data))
ans

在这里插入图片描述

可以定义新的变量接受或者用原来的变量名

data = movie.dropna()

ans = test.dropna(axis=1)
ans

在这里插入图片描述
在这里插入图片描述

7.1.3.2替换缺失值
test['www'].fillna(12,inplace=True)
test

inplace 取代原来值还是产生新的值
df[].fillna( x, inplace=) x：要修改为

7.2数据离散化

7.2.1.pd.qcut(data,num)

把数据分成num份，并使得每组的数量大致相同

data =pd.read_csv("https://archive.ics.uci.edu/ml/machine-learning-databases/breast-cancer-wisconsin/breast-cancer-wisconsin.data")
res = data["2.1"]
ans = pd.qcut(res,1)
print(ans)
w   =ans.value_counts()
print(w)

在这里插入图片描述

7.2.2.pd.cut(data,bins)

可以指定区间 bins

bins =[0,1,2,3,4]
ans2 = pd.cut(res,bins)
print(ans2)
ww   =ans2.value_counts()
print(ww)

在这里插入图片描述
要与Series.value_counts()结合使用

7.2.3.one-hot编码

把每个类别生成一个布尔列，这些列中只有一列可以为这个样本取值为1.其又被称为独热编码。
pandas.get_dummies(data, prefix=None)
prefix 给分组起名字

dummies = pd.get_dummies(ww, prefix="rise")
print(dummies)

在这里插入图片描述

7.2合并

7.2.1数据合并

pd.concat([data1, data2], axis=1）

data1 = pd.DataFrame({'key1': ['K0', 'K0', 'K1', 'K2'],
'key2': ['K0', 'K1', 'K0', 'K1'],
'A': ['A0', 'A1', 'A2', 'A3'],
'B': ['0', '1', '2', '3']})
data2 = pd.DataFrame({'key': ['0', '0', '1', '2'],
'2': ['K', 'K1', 'K', 'K1'],
'3': ['A', 'A', 'A', 'A3'],
'B': ['B0', 'B1', 'B2', 'B3']})
ans = pd.concat([data2,data1],axis=1)
print(ans)

在这里插入图片描述

7.2.2表合并

  • pd.merge(left, right, how=‘inner’, on=None)
    • 可以指定按照两组数据的共同键值对合并或者左右各自
    • left : DataFrame
    • right : 另一个DataFrame
    • on : 指定的共同键（必须要有）
    • how:按照什么方式连接
      在这里插入图片描述

这篇博客写的比较好
https://blog.csdn.net/qq_43874317/article/details/128128362?ops_request_misc=&request_id=&biz_id=102&utm_term=pd.merge%E5%A4%96%E9%93%BE%E6%8E%A5&utm_medium=distribute.pc_search_result.none-task-blog-2blogsobaiduweb~default-1-128128362.142v100control&spm=1018.2226.3001.4450

7.3交叉表与透视表

交叉表：计算一列数据对于另外一列数据的分组个数
透视表：指定某一列对另一列的关系

  • 交叉表：交叉表用于计算一列数据对于另外一列数据的分组个数(用于统计分组频率的特殊透视表)

    • pd.crosstab(value1, value2)
      在这里插入图片描述

  • 透视表：透视表是将原有的DataFrame的列分别作为行索引和列索引，然后对指定的列应用聚集函数

    • data.pivot_table(）
    • DataFrame.pivot_table([], index=[])
      在这里插入图片描述

7.4分组与聚合

DataFrame.groupby(key, as_index=False)
key:分组的列数据，可以多个

分组，求平均值
Dataframe:

ans = col.groupby(['color'])['price1'].mean()
print(ans)

在这里插入图片描述
Series:

asn = col['price1'].groupby(col["color"]).mean()
asn

在这里插入图片描述

8.Seaborn

8.1 绘制单变量分布

seaborn.distplot(a, bins=None, hist=True, kde=True, rug=False, fit=None, color=None)
(1) a：表示要观察的数据，可以是 Series、一维数组或列表。
(2) bins：用于控制条形的数量。
(3) hist：接收布尔类型，表示是否绘制(标注)直方图。
(4) kde：接收布尔类型，表示是否绘制高斯核密度估计曲线。
(5) rug：接收布尔类型，表示是否在支持的轴方向上绘制rugplot。

import seaborn as sns
import numpy  as np

np.random.seed(0)#确定随机数生成器的种子使得每次生成的数都一样
test = np.random.randn(100)  #从均值为0 方差为1 的正太分布中 选取 100 个数
ans = sns.distplot(test,bins=10,rug=True,hist=True,kde=True)

在这里插入图片描述

8.2 绘制双变量分布

seaborn.jointplot(x, y, data=None,
kind=‘scatter’, stat_func=None, color=None,
ratio=5, space=0.2, dropna=True)
(1) kind：表示绘制图形的类型。
(2) stat_func：用于计算有关关系的统计量并标注图。
(3) color：表示绘图元素的颜色。
(4) size：用于设置图的大小(正方形)。
(5) ratio：表示中心图与侧边图的比例。该参数的值越大，则中心图的占比会越大。
(6) space：用于设置中心图与侧边图的间隔大小。

8.2.1 散点图

import pandas as pd
x = np.random.randn(500)
y = np.random.randn(500)
Data = pd.DataFrame({"x":np.random.randn(500),"y":np.random.randn(500)})
sns.jointplot(x="x",y="y",data=Data,color='b',size=50,kind="scatter",ratio=10,space=1)

在这里插入图片描述

8.2.2 绘制直方图

x = np.random.randn(500)
y = np.random.randn(500)
Data = pd.DataFrame({"x":np.random.randn(500),"y":np.random.randn(500)})
sns.jointplot(x="x",y="y",data=Data,kind="hex")

在这里插入图片描述

8.2.3绘制核密度估计图形

x = np.random.randn(500)
y = np.random.randn(500)
Data = pd.DataFrame({"x":np.random.randn(500),"y":np.random.randn(500)})
sns.jointplot(x="x",y="y",data=Data,kind="kde")

在这里插入图片描述

8.3 绘制成对的双变量分布

dataset = sns.load_dataset("iris")
sns.pairplot(dataset)

在这里插入图片描述

8.4 用分类数据绘图

8.4.1类别散点图

seaborn.stripplot(x=None, y=None, hue=None, data=None, order=None, hue_order=None, jitter=False)

(1) x，y，hue：用于绘制长格式数据的输入。
(2) data：用于绘制的数据集。如果x和y不存在，则它将作为宽格式，否则将作为长格式。
(3) jitter：表示抖动的程度(仅沿类別轴)。当很多数据点重叠时，可以指定抖动的数量或者设为Tue使用默认值

tips = sns.load_dataset("tips")
sns.stripplot(x='x',y='y',data=tips)
sns.stripplot(x='x',y='y',data=tips,jitter=True)#可以减少重叠的部分，但是仍然会有重叠
sns.swarmplot(x='x',y='y',data=tips)#数据不会有重叠的

在这里插入图片描述

8.4.2 类别内的数据分布

箱形图:
箱形图（Box-plot）又称为盒须图、盒式图或箱线图，是一种用作显示一组数据分散情况资料的统计图。因形状如箱子而得名。
在这里插入图片描述
小提琴图:
小提琴图 (Violin Plot) 用于显示数据分布及其概率密度。
在这里插入图片描述

8.4.2.1 绘制箱形图

seaborn.boxplot(x=None, y=None, hue=None, data=None, orient=None, color=None, saturation=0.75, width=0.8)
(1)palette：用于设置不同级别色相的颜色变量。----palette=[“r”,“g”,“b”,“y”]
(2)saturation：用于设置数据显示的颜色饱和度。----使用小数表示

8.4.2.2 绘制小提琴图

seaborn.violinplot(x=None, y=None, hue=None, data=None)

8.5 类别内的统计估计

barplot()函数：绘制条形图。
pointplot()函数：绘制点图。
sns.barplot(x=‘day’,y=‘total_bill’,data=data)#条形图
在这里插入图片描述

sns.pointplot(x=‘day’,y=‘total_bill’,data=data)#点图
在这里插入图片描述

8.6案例：NBA球员数据分析

由于没有获取到数据集
代码没有结果，我只是看完视频，理解代码后敲了一下

效率值相关性分析：

data = pd.read_csv(" --")
corr = data_cor.corr()   #获取到两两数据间的关系
sns.heatmap(corr,square=True,linewidth=0.02,annot=False)
#annot 是否在热力图中显示数据
#seaborn中的heatmap函数，是将多维度数值变量按数值大小进行交叉热图显示

衍生变量的一些可视化实践：

data['avg_point']=data['POINTS']/data['MP']
def age_cnt(df):
    if(df.AGE<=24):
        return 'young'
    elif df.AGE>30:
        return "old"
    else:
        return "best"
data['age_cut']=data.apply(lambda x : age_cnt(x),axis=1)  \
#球员薪水与效率值
sns.set_style('darkgrid')#设置seaborn的面板风格
plt.figure(figsize=(20,8),dpi=100)
plt.title("RMP ans SALARY",size=100)
x1 = data.loc[data.age_cut=='old'].RMP
y1 = data.loc[data.age_cut=='old'].SALARY
plt.plot(x1,y1,linestyle='^')
#分析球员的多个数据之间的关系
data2=data.loc[:,'RMP',"SALARY",'TRB','AST','age_cut']
sns.pairplot(data2,hue='age_cut')#按age_cut中的不同类显示不同颜色

球队薪资排行情况：

data_team=data.groupby(by="TEAM").agg({'SALARY':np.mean()})
data_team.sort_values(by="SALARY",ascending=False)
#按照分球队分年龄段，上榜球员排列，入上榜球员数相同，则按效率值降序排列
data_team = data.groupby(by=["TEAM",'age_cut']).agg({'SALARY':np.mean,'RMP':np.mean,'PLAYER':np.size})
data_team.sort_values(by=['PLAYER','RMP'],ascending=False)  #True 为升序排序

球队综合实力分析:

data_grp=data.groupby(by='TEAM',as_index=False).agg({'SALARY':np.mean,'RMP':np.mean,'AGE':np.mean})
data_grp=data_grp.loc[data_grp.AGE>5]
data_grp.sort_values(by='RMP',ascending=False)

利用箱型图和小提琴图分析几只球队的相关数据:

#箱型图
sns.set_style("darkgrid")
plt.figure(figsize=(20,8),dpi=100)
data1 = data_grp[data['TEAM'].isin(['A','b','c'])]
plt.subplot(3,1,1)
sns.boxplt(x='TEAM',y="RMP",data=data1)
plt.subplot(3,1,2)
sns.boxplt(x='TEAM',y="SALARY",data=data1)
plt.subplot(3,1,3)
sns.boxplt(x='TEAM',y="AGE",data=data1)
#小提琴图
sns.set_style("darkgrid")
plt.figure(figsize=(20,8),dpi=100)
data1 = data_grp[data['TEAM'].isin(['A','b','c'])]
plt.subplot(3,1,1)
sns.violinplt(x='TEAM',y="RMP",data=data1)
plt.subplot(3,1,2)
sns.violinplt(x='TEAM',y="SALARY",data=data1)
plt.subplot(3,1,3)
sns.violinplt(x='TEAM',y="AGE",data=data1)

8.7 北京租房数据统计分析

import numpy  as np
import matplotlib.pyplot as plt
import pandas as pd
import seaborn as sns
``#获取数据
data = pd.read_csv('')
#去除重复值、空值
file_data = data.drop_duplicates() #重复值
data.dropna()


#数据类型转换
data_new=np.array()
data_area=data['面积'].values()
for i in data_area:
    x = i[:-2]
    data_new.append(x)
#通过astype方法把string类型转化为float
data_new=data_new.astype(np.float64)
#把旧的数据替换掉
data.loc[:,'面积']=data_new


#使用 Pandas的 replace(）方法将房间换成室
house_data = data["户型"].values
temp_list=np.array()
for i in house_data:
    i.replace('房间'，'室')
    temp_list.append(i)
data.loc[:,'户型']=temp_list


#房源数量、位置分布分析

new_df=pd.DataFrame({'区域'：data['区域'].unique(),'数量'：np.random.randint(0,10,13)})
group_count=data.groupby(by="区域").count()
new_df.loc[:,'数量']=group_count[:,"小区"]
new_df.sort_values(by="数量",ascending=False)


#计算户型的数量

def count(x):
    ww = np.unique(x)
    res={}
    for i in ww:
        num=0
        for j in x:
            if(i==j)
            num++
        res[i]=num
    return res
house_count=count(data["户型"])

#使用字典推导式将户型数量大于50的元素筛选出来，并将筛选后的结果转换成 DataFrame对象
house_type=dict((key,value) for key,value in house_count.items() if value>50)
df_house=pd.DataFrame({'户型':[x for x in house_count.keys()],"数量"：[x for x in house_count.vlaues()]})


house_type=house_count['户型']
house_type_num=house_count['数量']
plt.barh(range(11),house_type_num,height=0.4)
plt.yticks(range(11),house_type)
plt.xlim(0,2500)  #设置x轴的范围
plt.xlabel("数量")
plt.ylabel('户型')
plt.title('北京地区各户型房屋数量')
for x,y in enumrate(house_type_num):
    plt.text(y+0.3,x-0.2,'%s'%y)
plt.show()
    `
举栗子.
关注
  • 31
    点赞
  • 踩
  • 24
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
机器学习知识点全面总结
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
04-12 12万+
机器学习按照模型类型分为监督学习模型、无监督学习模型和概率模型三大类,文章对十大机器学习算法进行详细介绍并阐述机器学习其他概念问题，可作为机器学习初学者学习使用。
机器学习西瓜书第二周学习笔记
01-23
机器学习西瓜书第二周学习笔记 机器学习西瓜书第二周学习笔记中涵盖了机器学习的基础知识和重要概念。在本周的学习中，我们将了解机器学习的定义、类型、应用场景和常见算法。 首先，让我们从机器学习的定义开始。...
吴恩达机器学习笔记
weixin_43807601的博客
06-14 2855
吴恩达机器学习笔记
2022吴恩达机器学习课程学习笔记（第二课第一周）
Yang0114_的博客
10-29 1786
2022吴恩达机器学习课程学习笔记（第二课第一周）
2023春季李宏毅机器学习笔记 02 ：机器学习基本概念
女王の专属领地
01-02 723
课程主页：https://speech.ee.ntu.edu.tw/~hylee/ml/2023-spring.php Github：https://github.com/Fafa-DL/Lhy_Machine_Learning B站课程：https://space.bilibili.com/253734135/channel/collectiondetail?sid=2014800
李宏毅机器学习笔记
weixin_49119476的博客
04-29 1734
m和sigma都考虑了过去所有的gradient。区别：momentum主要考虑方向sigma主要考虑大小momentus是为了增加历史运动的惯性，RMS是为了缓和步伐的大小，变得更平缓network弹性逐渐变小。receptive field + parameter share 即为 convolutional layer。使用卷积层的神经网络即为CNN。CNN有比较大的bias，但是是专门为影像设计，所以在这方面做的很好。
李宏毅 || 机器学习笔记一
JiduoW的博客
07-25 4402
李宏毅机器学习2021/2022年学习笔记
2022吴恩达机器学习课程学习笔记（第一课第三周）
Yang0114_的博客
10-24 1082
2022吴恩达机器学习课程学习笔记（第一课第三周）
吴恩达--机器学习笔记（2022年课程第一周）
m0_52459066的博客
08-08 1834
吴恩达--机器学习课堂笔记（2022年新录课程）
李宏毅机器学习笔记：机器学习介绍
qq_43711697的博客
08-01 676
前言 本文记录了关于机器学习的基本介绍，机器学习的一个基本的框架以及机器学习的相关技术，并且本文是基于台湾李宏毅机器学习课程的基础上所做的笔记。 一、机器学习介绍 机器学习是什么 机器学习的本质其实就是在寻找一个Function，这个Function可以满足我们的期望：输入一个特定的值，输出我们所需要的，比如在自然语言方面输入一段语音期望能够识别出语音的内容，在图像识别方面，输入图像期望输出图像内容的类别等等 机器学习的总体过程 机器学习的总体过程可以分为三个部分：第一找到特定的Functi
机器学习笔记（吴恩达）
kyxdjy的博客
04-25 4552
机器学习笔记（吴恩达）
吴恩达机器学习第二章笔记
04-20
初步了解机器学习中监督学习和无监督学习的内容，和简单介绍监督学习的两个算法：回归与分类，无监督学习的三种算法：聚类、降维、异常检测。
机器学习西瓜书学习笔记第一章和第二章
07-18
文章，机器学习西瓜书学习笔记第一章和第二章，同步markdown文件。持续更新中...
机器学习笔记
10-11
欢迎来到斯坦福大学2014年的机器学习课程笔记。这是一份由黄海广同学整理的详尽笔记，他是一位中国海洋大学的2014级博士生。这份笔记是对斯坦福大学提供的机器学习课程视频的个人理解与总结。通过这份笔记，读者可以...
AI夏令营机器学习第一次实践笔记
08-17
AI夏令营机器学习第一次实践笔记 本资源笔记主要记录了AI夏令营机器学习的第一次实践经验，涵盖了Python的安装、Anaconda的配置、Jupyter Notebook的安装、机器学习环境的配置、PIP安装、数据挖掘和计算机视觉相关...
机器学习——第九章 聚类
adchloe的博客
08-11 122
目录
机器学习之逻辑回归
chencxiaobai的博客
08-08 1078
逻辑回归不是回归，而是一种分类。逻辑回归（Logistic Regression）广泛应用在二分类问题中。虽然有“回归”二字，但实际上是一种线性模型，它用于预测一个事件发生的概率，核心是将线性回归的输出通过一个特定的函数（称为逻辑函数或Sigmoid函数）映射到0和1之间，从而进行分类。逻辑回归是一种比较简单的算法，在机器学习中，效果差不多的情况下，尽量选择简单的算法，越复杂的算法，过拟合风险越高。这也是为什么逻辑回归更加流行，而神经网络难以应用的原因。
机器学习速成第二集——监督学习之分类（理论部分）！
2302_80644606的博客
08-12 1254
监督学习中的分类部分是机器学习中非常重要的一个领域，它涉及将输入数据映射到预定义的类别或标签上。在监督学习中，算法通过有标记的数据进行训练，从而能够对新的未标记数据进行预测和分类。
机器学习速成第三集——无监督学习之降维（理论部分）！
最新发布
2302_80644606的博客
08-14 435
无监督学习中的降维技术是将高维数据降低到低维空间，以便更容易处理和可视化。常见的降维方法包括主成分分析（PCA）、独立成分分析（ICA）、t分布随机邻近嵌入（t-SNE）、线性判别分析（LDA）等。
吴恩达机器学习笔记：斯坦福大学2014年机器学习课程学习笔记
吴恩达机器学习个人笔记完整版 吴恩达机器学习个人笔记完整版是根据斯坦福大学2014年机器学习课程视频所做的笔记，主要记录吴恩达老师上课时的重点。该笔记对机器学习的基本概念、模型、算法和应用进行了详细的介绍...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值