dushenzhi的专栏

本文参考官方网站：http://scikit-learn.org/stable/tutorial/basic/tutorial.html scikit-learn工具包自带一些标准数据集（包括iris和digits两个数据集），可以进行测试。 （1）首先导入模块数据集： from sklearn import datasets iris = datasets.load_iris() digi

啊啥发达股份

（1）数据标准化（Standardization or Mean Removal and Variance Scaling） 进行标准化缩放的数据均值为0，具有单位方差。 scale函数提供一种便捷的标准化转换操作，如下： >>> from sklearn import preprocessing #导入数据预处理包 >>> X=[[1.,-1.,2.], [2.,0.,0.]

机器学习问题根据不同的角度可以分成不同的类型，以下是课程中提到的类型划分，这对机器学习方向的整体把握和问题定位非常有帮助。     1、根据不同的结果输出空间（Out Space），可以将机器学习问题分为： 二分类（binary Classification）问题多分类（Multiclass Classification）问题回归分析问题（regression）结构学习问题：序列标记（

问题：用于解决”是非“问题（二分类问题） 难点：能够正确的把数据分开的线有无线多条 理论：初始任选一条线，每次进行转动一定角度，逐步进行修正和更新，最终找到一条线能够把所有的点正确分类--知错能改算法 算法过程： （1）初始化一条线，遍历所有数据，进行分类判定 （2）如果找到一个分类错误的数据，则有：       （3）修正过程如下，直到所有点都分类正确算法停止：       算

软件工具包获取方式：        scikit-learn的官方网站：http://scikit-learn.org (肯能需要科学上网)        github网址：https://github.com/scikit-learn/scikit-learn scikit-learn需要依赖：Python (>= 2.6), NumPy (>= 1.3), SciPy (>= 0.7),