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👍➕👀
😘😘😘😘😘😘😘😘😘😘😘😘😘😘😘😘😘😘😘😘😘😘😘😘😘😘😘😘😘
💪💪💪💪💪💪💪💪💪💪💪💪💪💪💪💪💪💪💪💪💪💪💪💪💪💪💪💪💪