- 博客(6)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 朴素贝叶斯（二）
# -*- coding: utf-8 -*- """ 我们会选择高概率对应的类别。这就是贝叶斯决策理论的核心思想，即选择具有最高概率的决策. 我们把P(A)称为"先验概率"（Prior probability），即在B事件发生之前，我们对A事件概率的一个判断。 P(A|B)称为"后验概率"（Posterior probability），即在B事件发生之后，我们对A事件概率的重新评估。 ...
2018-12-06 13:32:09
363
原创 朴素贝叶斯（一）
# -*- coding: utf-8 -*- """ 我们会选择高概率对应的类别。这就是贝叶斯决策理论的核心思想，即选择具有最高概率的决策. 贝叶斯：p(A|B) = p(A) * p(B|A) / p(B) 我们把P(A)称为"先验概率"（Prior probability），即在B事件发生之前，我们对A事件概率的一个判断。 P(A|B)称为"后验概率"（Posterior probabi...
2018-12-06 13:29:22
181
原创 决策树 （二）
# -*- coding: utf-8 -*- """ 熵定义为信息的期望值。 熵：表示随机变量的不确定性。 条件熵：在一个条件下，随机变量的不确定性。 信息增益：熵 - 条件熵 在一个条件下，信息不确定性减少的程度！ 如果选择一个特征后，信息增益最大（信息不确定性减少的程度最大），那么我们就选取这个特征。 """ from math import log import operator ""...
2018-11-29 14:12:01
231
原创 决策树 （一）
# -*- coding: utf-8 -*- """ 熵定义为信息的期望值。 熵：表示随机变量的不确定性。 条件熵：在一个条件下，随机变量的不确定性。 信息增益：熵 - 条件熵 在一个条件下，信息不确定性减少的程度！ 如果选择一个特征后，信息增益最大（信息不确定性减少的程度最大），那么我们就选取这个特征。 """ from math import log """ 函数说明：创建测试集 Par...
2018-11-29 14:08:47
255
原创 kNN ( 二 )
# -*- coding: utf-8 -*- import numpy as np import kNN """ 函数说明：打开并解析文件，对数据进行分类： 1 代表不喜欢 2 代表魅力一般 3 代表极具魅力 Parameters: filename 文件名 Return: returnMat 特征矩阵 cl...
2018-11-24 17:50:40
234
原创 kNN ( 一 )
# -*- coding: utf-8 -*- """ 1. 直接用.shape可以快速读取矩阵的形状(几乘几)，使用shape[0]读取矩阵第一维度的长度 print(shape(group)) print(group.shape[0]) 2. 比如 a = np.array([0,1,2]), np.tile(a,(2,1))就是把a先沿x轴（就这样称呼吧）复制1倍，即没有复制，仍...
2018-11-24 17:47:20
218
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人