![](https://img-blog.csdnimg.cn/20201014180756738.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
机器学习
文章平均质量分 79
zhshuai1
如果不留下点文字,怎么证明你曾经存在过?
展开
-
Titanic数据分析
背景题目参见:Titanic实际就是根据乘客的性别、年龄、舱位等级等信息预测乘客的成活率。很多人也说这个数据集比较小,使用一些tricky的技术提高准群率意义不大,但是作为练手的项目还是很好的。帮助理解各种数据预处理方法、分类模型还是很有帮助的。分析和处理纯Naive的做法:不管三七二十一,输出Survived=0或者1.这当然是一种做法,但是基本没啥意义,但是可以作为之后分类器准确率的参照;对数据稍作分析:df = pd.read_csv('train.csv')dd = df.grou原创 2021-12-11 15:10:00 · 2359 阅读 · 0 评论 -
序列预测sin函数-RNN/LSTM
问题描述咱们就使用预测个sin函数吧NN def test_sin_predict_by_ann(self): # build data series_len = 20 x_train = np.linspace(-10, 10, 1000) y_train = np.sin(x_train) y_train2 = np.sin(x_train) data = {'x': [], 'y': []原创 2021-10-24 12:48:56 · 922 阅读 · 0 评论 -
Keras 分类问题探究
序言Keras是一个机器学习框架,提供了一系列用于训练、评估、测试、预测的api,可以自由的构建机器学习模型。这里通过一个具体的分类问题来探究模型各个参数和结构对模型效果的影响。数据生成不同的问题需要使用不同的数据预处理方法、采样策略、模型结构、优化器、分批训练方法来进行训练和预测。为了能够快速构建数据,方便检验结果,这里以一个具体的数学问题来作为数据:统计一个输入向量中111的个数,并且把这个问题当做多分类问题来处理。例如对于[0,1,0,1,0,0,0,1][0,1,0,1,0,0,0,1][0,原创 2021-08-08 10:45:37 · 392 阅读 · 0 评论 -
机器学习笔记
序言最近在看机器学习相关的知识,然而当时看懂了,时间一久就忘了。我可不是张无忌在学太极,忘了是不行的。记下一些当时看懂的,好的基本点和相关链接,尤其是当时的aha moment,希望后续后帮助。长远看当知识形成体系之后,会再做整理。理解这些方法,可以参照各个博客,但是很多博客都只有只言片语,很多都语焉不详,但是看看原始论文,就能恍然大悟。概述机器学习要解决的问题可以分成两大类:分类和回归。所谓分类,就是顾名思义的分类;相对的,回归是预测具体的值而不是一个类别。举个例子,预测明天的天气(晴、阴、雨、雪原创 2021-07-25 01:33:02 · 335 阅读 · 0 评论