辛欣的博客

第一章001 散点图 + K邻近算法 + 模型训练# 多维数组基础包import numpy as np# 数据表格import pandas as pd# 颜色方案import mglearn# 绘图import matplotlib.pyplot as pt# 机器学习 数据模型from sklearn.datasets import load_iris# 机器学习 数据分离from sklearn.model_selection import train_test_split

书中涉及内容的脑图总结

python机器学习_模型汇总

python机器学习_各资源汇总

1. 在应用模型前先将数据预处理(缩放数据)2. 降维数据,提取主要数据成分,重构数据,数据可视化3. 归类分组数据

决策函数,决策概率原理

第二章学习内容整理_神经网络

核支持向量机模型介绍

决策树集成: 随机森岭, 梯度提升决策树

Pyhton机器学习_决策树

第二章学习内容整理_朴素贝叶斯分类器01 什么是朴素贝叶斯分类器贝叶斯分类器也是一种线性模型,处理分类问题.与之前学习过的 LogisticRegression 和 linearSVC相比,贝叶斯模型计算速度优于线性模型,泛化能力稍差.02 贝叶斯模型分类书中介绍3种贝叶斯分类器名称适用场合GaussinaNB数据样本中大多是连续数据BernoulliNB将数据变成2分类问题,有点像线性模型,现在还看不出来区别,学习后再总结MultinomialNB数据样本

第二章学习内容整理_线性模型

python机器学习_第二章学习内容整理_K邻近(K-NN)01 概念我的理解:将一块磁铁放在一堆分散的不同颜色的铁块中, 算法中的参数用于设定磁铁可以吸附铁块的个数,肯定是从最近位置的铁块开始吸引.当参数为1时,只吸引一个铁块,因此这个铁块是什么颜色, 那么这块磁铁就标记成什么颜色.当参数为N时,会吸附N个铁块, 不同颜色的铁块都会吸附过来,以最多颜色的铁块来标记磁铁的颜色.磁铁就好比新数据, 铁块就好建模用的数据样本.K邻近算法使用建议:对于复杂模型产生的数据,应当使K尽量小, 因为复杂

第二章学习内容整理_监督学习_简单概念&数据样本介绍01 概念部分01_001 监督学习分类监督学习分为两类:分类 classsification一般解决判断某种类型 有点像选择题, 选项给好了,找出选项就行回归 regression一般解决预测问题, 通过一段连续的数据预测接下数据的某种可能性, 比如天气预报,彩票投注01_002 常用名词解释 泛化 过拟合 欠拟合泛化我理解就是一滴墨水滴到纸上后,能扩大到整个纸的多少.纸就想到于数据,墨水好比算法.算法不能太具体也不能

第一章学习内容整理_建模&预测01 建模书中例子如下:from sklearn.neighbors import KNeighborsClassifierimport numpy as npknn = KNeighborsClassifier(n_neighbors=1)knn.fit(X_train, y_train)X_new = np.array([[6.3, 2.5, 5., 1.9]])prediction = knn.predict(X_new)print(predi

第一章学习内容整理01 常用包说明python可以解决很多问题,相应解决方案使用的包也很多,不太好记忆.为了便于记忆,用大白话简单描述一下各个包的功能.# 科学计算最基础的包# 本质就是个多维数组, 里面包含了一些操作数组的功能函数, 机器学习一切的起源import numpy as np# 以numpy为基础,封装的各种高级数学函数import scipy# 将各种数据已表单形式存储&表达, 可以直接使用numpy的数据# 虽然同numpy都是数据集合, 但numpy侧重的

Python机器学习基础教程 笔记整理