Geek_sun的博客

1作业任务 二元分类是机器学习中最基础的问题之一，在这份教学中，你将学会如何实作一个线性二元分类器，来根据人们的个人资料，判断其年收入是否高于50000美元。我们将以两种方法：logistic regression与generative model，来达成以上目的，你可以尝试了解、分析两者的设计理念及差别。 2原始代码 导入数据集 X_train_fpath = './data/X_train' Y_train_fpath = './data/Y_train' X_test_fpath = './data/

第2章 感知机 1．感知机是根据输入实例的特征向量x对其进行二类分类的线性分类模型： f(x)=sign⁡(w⋅x+b) f(x)=\operatorname{sign}(w \cdot x+b) f(x)=sign(w⋅x+b) 感知机模型对应于输入空间（特征空间）中的分离超平面w⋅x+b=0w \cdot x+b=0w⋅x+b=0。 2．感知机学习的策略是极小化损失函数： min⁡w,bL(w,b)=−∑xi∈Myi(w⋅xi+b) \min _{w, b} L(w, b)=-\sum_{x_{i}

作业任务： 本次作业使用丰原站的观测记录，分成train set跟test set，train set是丰原站每个月的前20天所有数据。test set则是从丰原站剩下的数据中取样出来。

简单的说，k-近邻算法采用测量不同特征值之间的距离方法进行分类。 优点：精度高、对异常值不敏感、无数据输入假定。 缺点：计算复杂度高、空间复杂度高。 适用数据范围：数值型和标称型。 试用k-近邻算法改进约会网站的配对效果 from numpy import * import operator import os def creatDataSet(): group = arr...