Dream_Han的博客

在Windows上安装Python：首先，根据你的Windows版本（64位还是32位）从Python的官方网站下载Python 3.5对应的64位安装程序或32位安装程序，然后，运行下载的EXE安装包。链接地址：https://www.python.org/downloads/release/python-352/ 下载后，exe文件可以直接安装。特别要注意勾上Add Python 3.5 to

knn（k-近邻）算法的过程中用到了tile函数，记录下来此函数的用法：函数原型：numpy.tile(A,reps) #简单理解是此函数将A进行重复输出 函数格式tile(A,reps)　　A和reps都是array_like　　A的类型众多，几乎所有类型都可以：array, list, tuple, dict, matrix以及基本数据类型int, string, float以及bool类

**第五章 Logistic回归（机器学习实战）**Logistic回归的一般过程： (1) 收集数据：采用任意方法收集数据。 (2) 准备数据：由于需要进行距离计算，因此要求数据类型为数值型。另外，结构化数据 格式则最佳。 (3) 分析数据：采用任意方法对数据进行分析。

1.kNN算法的原理与基本实现k近邻法(k-nearest neighor, k-NN)，是一种基本的分类和回归方法。这里只讨论分类问题中的k近邻。 k近邻法的输入为实例的特征向量，对应于特征空间的点；输出为实例的类别，可以取多类。 k近邻法假设给定一个训练数据集，其中的实例类别已定，分类时，对新的实例，根据其k个最近邻的训练实例的类别，通过多数表决的方式进行预测。 因此k近邻法不具有显式的学

本文记录的是《机器学习实战》和《统计学习方法》中决策树的原理和实现。1、决策树定义：分类决策树模型是一种描述对实例进行分类的树形结构。决策树由节点（node）和有向边（directed edge）组成。节点有两种类型：内部结点和叶结点，内部结点表示一个特征或者属性，叶结点表示一个类。 用决策树进行分类，从根结点开始，对实例的某一特征进行测试，根据测试结构，将实例分配到其子结点；这时，每一个子结点对

最近在学廖雪峰老师的python教程，做下练习方便查询： 杨辉三角定义如下： 1 / \ 1 1 / \ / \ 1 2 1 / \ / \ / \1 3 3 1把每一行看做一个list，试写一个generator，不断输出下一行的list：# 期待输出:# [1]# [1, 1]# [1, 2, 1]#...

Python内建了map()和reduce()函数map()函数接收两个参数，一个是函数，一个是Iterable，map将传入的函数依次作用到序列的每个元素，并把结果作为新的Iterator返回。def f(x): return x * xr = map(f, [1, 2, 3, 4, 5, 6, 7, 8, 9])r[1, 4, 9, 16, 25, 36, 49, ...