机器学习实战（U1）

Machine Learning in Action

Peter Harrington

一.分类

U1.机器学习基础
U2.k-近邻算法
U3.决策树
U4.基于概率论的分类方法：朴素贝叶斯
U5.Logistic回归
U6.支持向量机
U7.利用AdaBoost元算法提高分类性能

二.利用回归预测数值型数据

U8.预测数值型数据：回归
U9.树回归

三. 无监督学习

U10.利用K-均值聚类算法对未标注数据分组
U11.使用Apriori算法进行关联分析
U12.使用FP-growth算法来高效发现频繁项集

四. 其他工具

U13.利用PCA来简化数据
U14.利用SVD简化数据
U15.大数据与MapReduce

U1.机器学习基础

1.7 Numpy 函数基础库

from numpy import *    #将Numpy函数库的所有模块引入当前空间
random.rand(4,4)       #4*4的随机数组

array([[0.97471811, 0.17179221, 0.86431691, 0.61410609],
       [0.45551856, 0.01440638, 0.19788693, 0.3447664 ],
       [0.50013188, 0.48419994, 0.06638319, 0.15177441],
       [0.5132277 , 0.45546545, 0.8121785 , 0.62891273]])

randMat = mat(random.rand(4,4))   #mat():将数组转换成矩阵
randMat.I    #.I操作符实现了矩阵求逆的运算

matrix([[ 1.26422879,  0.33153666, -1.48110659,  1.02540337],
        [ 0.36639991, -1.65434382,  1.37766836,  0.02631806],
        [ 0.51142747,  0.5036215 ,  0.5738588 , -1.40227222],
        [-1.54037058,  0.80239577,  0.31063159,  0.92973999]])

invRandMat = randMat.I    #存储逆矩阵
randMat * invRandMat   #矩阵与其逆矩阵相乘，结果应为单位矩阵，但是出现偏差，原因为计算机处理误差

matrix([[ 1.00000000e+00,  1.11022302e-16, -2.22044605e-16,
         -1.11022302e-16],
        [-1.11022302e-16,  1.00000000e+00, -1.38777878e-16,
         -1.11022302e-16],
        [ 0.00000000e+00,  0.00000000e+00,  1.00000000e+00,
          0.00000000e+00],
        [ 1.11022302e-16,  1.11022302e-16, -1.11022302e-16,
          1.00000000e+00]])

myEye = randMat * invRandMat   #存储相乘结果
myEye - eye(4)    #查看误差值，eye(4):为$4*4$单位矩阵

matrix([[ 0.00000000e+00,  1.11022302e-16, -2.22044605e-16,
         -1.11022302e-16],
        [-1.11022302e-16,  0.00000000e+00, -1.38777878e-16,
         -1.11022302e-16],
        [ 0.00000000e+00,  0.00000000e+00,  0.00000000e+00,
          0.00000000e+00],
        [ 1.11022302e-16,  1.11022302e-16, -1.11022302e-16,
          0.00000000e+00]])

点赞，关注，收藏👍➕👀点赞，关注，收藏👍➕👀点赞，关注，收藏👍➕👀
😘😘😘😘😘😘😘😘😘😘😘😘😘😘😘😘😘😘😘😘😘😘😘😘😘😘😘😘😘
💪💪💪💪💪💪💪💪💪💪💪💪💪💪💪💪💪💪💪💪💪💪💪💪💪💪💪💪💪