hexingwei的专栏

python 实现logisticRegression__author__ = 'hxw'import numpy as np"""create by hxwtime 2016.1.31"""class LogisticRegression(object): "class logistic Regression" def __init__(self,n,epo=1000,

python 实现softmax1、实验使用的数据来自http://sci2s.ugr.es/keel/category.php?cat=clas 2、文中使用了L2正则 3、有关具体的推导请参考Andrew Ng.的课程http://cs229.stanford.edu/#-*- coding=utf-8 -*-import numpy as npclass Softmax(object

1、svm的python实现 2、推导请参考ng讲义，SMO具体实现参考platt原文，以及《统计学习方法》 3、代码部分，以及实验数据参考《machine learning in action》 # -*- coding=utf-8 -*-import numpy as npimport randomclass SVM(object): def __init__(self,tra

1、knn算法的python实现 2、参考machine learning in action __author__ = 'hxw'import numpy as npfrom os import listdirclass knn(): def __init__(self,x,y,k=3): self.k=k self.x=x self

1、算法具体思想请参考ng讲义__author__ = 'hxw'#-*- coding=utf-8-*-import numpy as npimport matplotlib.pyplot as plotclass KMeans(): def __init__(self,train_x,k=5): self.train_x=train_x self.

一、基本原理 Given m data points in n-dimensions, find p <= n principal components that can be best used to generate the transformed data Data processing: 还原数据： Snew=Sorg * P.transpose() * P

import numpy as npclass adaboost(): def __init__(self,traindata,epo=100,numstep=100): self.x=traindata[:,:-1] self.y=traindata[:,-1] self.epo=epo self.numstep=numst

一、实验数据实验数据来自http://sci2s.ugr.es/keel/category.php?cat=clas 的mushroom数据集二、设计思路：1、首先，实现一个单一的决策树算法； 2、设定训练树的数目，默认为值为10； 3、根据训练数据集进行采样，此处采样大小为原始数据的一半，相同数据进行合并；对采样之后的数据抽取一半的特征，然后开始训练第一棵决策树； 4、重复步骤3生成其他的决

一、实验数据实验数据来自http://sci2s.ugr.es/keel/category.php?cat=clas 的mushroom数据集二、设计思路：1、首先，实现一个单一的决策树算法； 2、设定训练树的数目，默认为值为10； 3、根据训练数据集进行采样，此处采样大小为原始数据的一半，相同数据进行合并；对采样之后的数据抽取一半的特征，然后开始训练第一棵决策树； 4、重复步骤3生成其他的决