dc12499574的博客

文章目录数据集代码数据集链接：https://pan.baidu.com/s/1JyRWXLK3GQDh63RRS_mq6Q提取码：6w65代码#加载图片数据包import osimport pickledata_folder = "cifar-10-batches-py"batch1_filename = os.path.join(data_folder, "data_batch_1")#数据集加载函数def unpickle(filename): with open(fi

文章目录一、待优化二、代码单字母预测1、验证码图像生成2、字符串切割3、数据集创建4、多条数据集创建5、数据集调整6、数据集分割 & 单字母预测模型训练7、神经网路评估单词预测1、预测函数创建2、测试集导入 & 测试开始3、优化: 词典查询一、待优化1、字符串切割步骤中segment_image函数只能沿着x, y轴切割，导致预测结果对shear值十分敏感，可另寻切割函数以提高预测正确率二、代码单字母预测1、验证码图像生成import numpy as npfrom PIL i

##############################数据处理#数据导入 $$ 数据转换import osimport numpy as npimport pandas as pdfrom collections import defaultdictdef convert_number(): try: return float(x) except ValueError: return np.nanconverters=defaultdi

#数据导入import osimport pandas as pdadult_filename="adult.data"adult = pd.read_csv(adult_filename, header=None, names=["Age", "Work-Class", "fnlwgt", "Education", "Education-Num", "Marital-Status", "Occupation", "Relationship", "Race", "Sex", "Capital

#数据导入import osimport pandas as pdall_ratings=pd.read_csv("ml-100k/u.data", delimiter="\t", header=None, names=["UserID", "MovieID", "Rating", "Datetime"])all_ratings["Datatime"]=pd.to_datetime(all_ratings["Datetime"], unit='s')all_ratings=all_ratings

#数据导入import pandas as pddata_filename="datasets.csv"dataset=pd.read_csv(data_filename)#dataset.loc[:5]#数据清洗dataset=pd.read_csv(data_filename, parse_dates=["Date"])#dataset.loc[:5]#方法1：上场比赛情况特征提取，并用其进行预测#主队获胜情况提取from collections import default

文章目录效果代码效果代码from sklearn.datasets import load_irisimport numpy as np#获取数据集dataset=load_iris()X=dataset.dataY=dataset.target#数据转换X=np.array(X,dtype='float')Y=np.array(Y,dtype='int')#方法1from sklearn.model_selection import train_test_splitfr

文章目录结果代码结果代码#库导入import numpy as npimport csvimport osfrom sklearn.model_selection import train_test_splitfrom sklearn.neighbors import KNeighborsClassifierfrom sklearn.model_selection import cross_val_score#数据导入 && 规范化data_folder="D:/P

文章目录结果代码结果代码from sklearn.datasets import load_irisimport numpy as npfrom collections import defaultdictfrom operator import itemgetterfrom sklearn.model_selection import train_test_split#接收数据集,对应类别,特征索引,具体特征值#返回特征索引具体特征值对分类最好的类别,以及分类错误的数量def t

#库导入import numpy as npfrom collections import defaultdictfrom operator import itemgetterdef Affinity_Analysis(dataset,features,nums_feature);if __name__ == "__main__": #数据导入(0、1矩阵，一行表示单一消费者的消费情况，一列表示单一商品售卖情况) dataset_filename="数据包路径" X=np

文章目录解析思路效果代码解析支持度：事件发生的总次数置信度：一定条件下，事件发生的概率思路第一步：导入数据，并交由变量X维护创建特征数组获取特征数量第二步：创建字典valid_rules：(a,b):num_i的含义表示买商品 a 之后，又买了商品 b 的消费者数量invalid_rules：(a,b):num_i的含义表示买商品 a 之后，没有买了商品 b 的消费者数量nums_occurances：(a):num_i的含义表示买商品 a 的消费者数量第三步：遍历 X