- 博客(9)
- 收藏
- 关注
RSS订阅原创 (西瓜书)AdaBoost算法代码详解
首先给出一个例子：Adaboost 算法的原理与推导_yansmile1的专栏-CSDN博客_adaboost损失函数import numpy as npimport matplotlib.pyplot as pltdef loadSimpData(): """ 创建单层决策树的数据集 parameters: 无 return: dataMat - 有两个特征的数据矩阵 classLabels - 数据标签
2021-09-24 11:53:23
2488
1
原创 神经网络（network2版）（西瓜书版）
基于network1版，将其中的权值和偏置更新公式改写成了西瓜书上的公式代码目录结构：其中mnist.pkl.gz文件和mnist_loader.py文件与network1版中的完全一致""" network2.py文件代码（与network1的区别在于backprop()函数） """import randomimport numpy as npdef sigmoid(Z): return 1.0 / (1 + np.exp(-Z)) #此处是e的矩阵次方#导数.
2021-09-19 19:09:05
381
原创 神经网络（network1版）
此版是copy的别人的代码，对其进行了注释理解，其中的公式推导可参考BP神经网络-从推导到实现_river_19的博客-CSDN博客代码目录结构：其中mnist.pkl.gz文件的下载地址：https://academictorrents.com/browse.php?search=mnist.pkl.gz""" mnist_loader.py文件代码 """import pickleimport gzipimport numpy as npdef load_data(): .
2021-09-19 19:01:41
692
原创 （西瓜书）神经网络（BP算法）代码详解
"""文件名：testdata.csv编号 色泽 根蒂 敲声 纹理 脐部 触感 密度 含糖率 好瓜1 青绿 蜷缩 浊响 清晰 凹陷 硬滑 0.697 0.46 是2 乌黑 蜷缩 沉闷 清晰 凹陷 硬滑 0.774 0.376 是3 乌黑 蜷缩 浊响 清晰 凹陷 硬滑 0.634 0.264 是4 青绿 蜷缩 沉闷 清晰 凹陷 硬滑 0.608 0.318 是5 浅白 蜷缩 浊响 清晰 凹陷 硬滑 0.556 0.215 是6 青绿 稍蜷 浊响 清晰 稍凹 软粘 0.403 0.237 是7.
2021-09-19 18:46:38
1639
原创 （西瓜书）对数几率回归代码详解
"""训练样本（Training sample data.txt）-0.017612 14.053064 0-1.395634 4.662541 1-0.752157 6.538620 0-1.322371 7.152853 00.423363 11.054677 00.406704 7.067335 10.667394 12.741452 0-2.460150 6.866805 10.569411 9.548755 0-0.026632 10.427743 00.850433 6.
2021-09-13 17:41:14
499
原创 （西瓜书）ID3决策树代码详解
import mathimport operatordef createDataSet(): labels = ['年龄','有工作','有房','信贷情况'] #特征标签 dataSet = [[0, 0, 0, 0, 'no'], [0, 0, 0, 1, 'no'], [0, 1, 0, 1, 'yes'], [0, 1, 1, 0, 'yes'], ...
2021-09-11 19:52:30
1121
原创 （西瓜书）多元线性回归代码详解
import numpy as npimport matplotlib.pyplot as pltdef true_fun(X): #因为我们没有样本来训练，所以我们自己生成一些样本，假设true_fun是理想多元线性回归函数y = 1 * x1 + 2 * x2 + 3 * x3 + 0.2 Y = np.dot([1,2,3], X.transpose()) #此时Y = 1 * x1 + 2 * x2 +3 * x3,此处也就等价于矩阵X乘[1,2,3]的转置，Y是一个1*30的.
2021-09-07 14:23:35
1103
原创 （西瓜书）一元线性归回代码详解
import numpy as npimport matplotlib.pyplot as pltdef true_fun(X): #因为我们没有样本来训练，所以我们自己生成一些样本，假设true_fun是理想线性回归函数 return 1.5 * X + 0.2np.random.seed(0) # 随机种子n_sample = 30 # 生成30个样本点"""生成随机数据作为训练集"""train_X = np.sort(np.random.rand(n_sample)).
2021-09-07 14:21:56
386
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人