HeatDeath的博客

matplotlib.pyplot.scatter(x, y, s=None, c=None, marker=None, cmap=None, norm=None, vmin=None, vmax=None, alpha=None, linewidths=None, verts=None, edgecolors=None, hold=None, data=None, **kwargs)Make a

当前代码# -*- coding:utf-8 -*-import matplotlib.pyplot as pltdecisionNode = dict(boxstyle="sawtooth", fc="0.8")leafNode = dict(boxstyle="round4", fc="0.8")arrow_args = dict(arrowstyle="<-")def plotNode(n

add_subplot(*args, **kwargs)Add a subplot. Examples:fig.add_subplot(111)# equivalent but more generalfig.add_subplot(1,1,1)# add subplot with red backgroundfig.add_subplot(212, facecolor='r')# add a

matplotlib.pyplot.figure(num=None, figsize=None, dpi=None, facecolor=None, edgecolor=None, frameon=True, FigureClass=<class 'matplotlib.figure.Figure'>, **kwargs)Creates a new figure.生成一个新的图像Parameters

numpy.matrix.getAmatrix.getA()[source]返回一个数组对象Return self as an ndarray object.Equivalent to np.asarray(self).Parameters: None Returns: ret : ndarray self as an ndarrayExam

In [1]: import numpy as npIn [3]: a_Mat = np.array([1,1],[1,1],[1,1])---------------------------------------------------------------------------ValueError Traceback (mo

numpy.sumnumpy.sum(a, axis=None, dtype=None, out=None, keepdims=Parameters:a : array_like Elements to sum.axis : None or int or tuple of ints, optional Axis or axes along which a sum is performed. Th

numpy.tilenumpy.tile(A, reps)Construct an array by repeating A the number of times given by reps.构造一个数组，通过重复数组 A，重复的次数由 reps 给出。If reps has length d, the result will have dimension of max(d, A.ndim).If

numpy.argsortnumpy.argsort(a, axis=-1, kind=’quicksort’, order=None)Returns the indices that would sort an array. 返回排序数组的索引。Perform an indirect sort along the given axis using the algorithm specified

numpy.ndarray.shapendarray.shapeTuple of array dimensions.获得数组维度的 tupleNotesMay be used to “reshape” the array, as long as this would not require a change in the total number of elementsExamples>>> x =

Jupyter Notebook ViewerThe NumPy ndarray: a multidimensional array objectimport numpy as np'''precision 浮点数输出精度位数（默认值8位）suppress 是否 禁止 使用 科学记数法（默认为False）打印小浮点值'''np.set_printoptions(precision=4, su

Boolean indexingnames = np.array(['Bob', 'Joe', 'Will', 'Bob', 'Will', 'Joe', 'Joe'])data = np.random.randn(7, 4)print(names)print(data)# 对 names 和 字符串 'Bob' 的比较运算符会产生一个布尔型数组print(names == 'Bob')#

1 Logistic 回归算法描述 工作原理： 为了实现 Logistic 回归分类器，可以在每个特征上都乘以一个回归系数，然后把所有结果的值相加，将这个总和带入 Sigmoid 函数中，进而得到一个范围在 0-1 之间的数值。任何大于0.5的数据被分入1类别，任何小于0.5的数据被分入0类别。Logistic 回归也可以被看成是一种概率估计。2 伪代码（1）梯度上升伪代码：每个回归

1 k-近邻算法概述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。 工作原理： 存在一个样本数据集，也成为训练样本集，并且样本集中每个数据都存在标签，即我们知道样本集中的每一数据与所属分类的对应关系。输入没有标签的新数据后，将新数据的每个特征与样本集中数据对应的特征进行比较，然后算法提取样本集中特征最相似数据（最近邻）的分类标签。2 k-近邻算法伪代码对未知类别属性的数据集中的

1 决策树算法概述 工作原理： 得到原始数据集，然后基于最好的属性值划分数据集，由于特征值可能多余两个，因此可能存在大于两个分支的数据集划分。第一次划分后，数据将被向下传递到树分支的下一个节点，在这个节点上，我们可以再次划分数据。 递归结束的条件： 程序遍历完所有划分数据集的属性，或者每个分支下的所有实例都具有相同的分类。如果所有实例具有相同的分类， 则得到一个叶子

1 朴素贝叶斯算法描述 工作原理： 对于给出的待分类项，求解在此项出现的条件下各个类别出现的概率，哪个最大，就认为此待分类项属于哪个类别。2 计算概率的伪代码计算每个类别中的文档数目：对每篇训练文档： 对每个类别： If 词条出现在文档中： 增加该词条的计数值 增加所有词条的计数值 对每个类别：

下载安装、配置环境变量intallwindows版本下载地址：http://www.graphviz.org/Download_windows.php双击msi文件，然后一直next（记住安装路径，后面配置环境变量会用到路径信息），安装完成之后，会在windows开始菜单创建快捷信息，默认快捷方式不放在桌面。 配置环境变量将graphviz安装目录下的bin文件夹添加到Path环境变量中：

离散 feature 的 encoding 分为两种情况：1、离散 feature 的取值之间没有大小的意义，比如color：[red,blue],那么就使用 one-hot encoding2、离散 feature 的取值有大小的意义，比如size:[X,XL,XXL],那么就使用数值的映射{X:1,XL:2,XXL:3}In [90]: import numpy as npimport pand

In [19]: import numpy as npimport pandas as pdfrom pandas import Series, DataFramenp.set_printoptions(precision=4)×…In [20]:xfrom sklearn import preprocessing×…In [21]: dataSet_df = pd.read_table('dati

sklearn内置数据集数据是机器学习的关键，在机器学习工作中我们需要花费大量的时间来采集和整理数据，合理且科学的数据是得到良好机器学习效果的关键。一般而言，一个分类问题的机器学习过程需要用到四块数据内容，分别是：训练数据，一般用train来表示训练数据的分类属性，一般用target来表示测试数据，一般用test来表示测试数据的真实分类属性，用于评估分类器性能，一般用expected来表示

Data processing using arraysimport numpy as npfrom matplotlib.pyplot import imshow, titleimport matplotlib.pyplot as pltnp.set_printoptions(precision=4, suppress=True)# 起始点，终止点，步长points = np.arange(

import scipy as spimport matplotlib.pyplot as plt'''precision 浮点数输出精度位数（默认值8位）suppress 是否 禁止 使用 科学记数法（默认为False）打印小浮点值'''sp.set_printoptions(precision=4, suppress=True)# 以 \t 为分隔符data = sp.genfrom

机器学习是人工智能领域中与算法相关的一个子领域，它允许计算机不断地进行学习。大多数情况下，这相当于将一组数据传递给算法，并由算法推断出与这些数据的属性相关的信息——借助这些信息，算法就能够预测出未来有可能会出现的其他数据。因为几乎所有的非随机数据中，都会包含这样或者那样的模式（patterns），这些模式的存在使机器得意据此进行归纳。为了实现归纳，机器会利用它所认定的出现于数据中的重要特征对数据进行