Python遇见机器学习
关注
分享
扫一扫
文章平均质量分 76
使用python模拟常见的机器学习方法，非常好玩
小王曾是少年
通信工程本硕 for NJU ；
《Intelligent Passive Eavesdropping in Massive MIMO-OFDM Systems via Reinforcement Learning》IEEE WCL 作者；
申请国家发明专利2项；
淘天集团后端开发；
有事尽量私信
展开
专栏收录文章
- 默认排序
- 最新发布
- 最早发布
- 最多阅读
- 最少阅读
-
Python遇见机器学习 ---- TensorFlow搭建神经网络实现手写识别
总体概览：利用神经网络来进行手写识别就是将输入手写的数据经过一系列分析最终生成判决结果的过程。使用的神经网络模型如下：输入数据是像素为28 × 28 = 784的黑白图片(共55000张)使用10位one-hot编码：0 -> 10000000001 -> 01000000002 -> 00100000003 -> 000100000...原创 2019-04-18 00:09:23 · 501 阅读 · 0 评论 -
谷歌机器学习框架 ---- TensorFlow
有关TensorFlow与其他框架的详细对比可以阅读：https://zhuanlan.zhihu.com/p/2554783801TensorFlow的编程模式编程模式分为两种：命令式编程与符号式编程前者是我们常用的C++，java等语言的编程风格如下命令式编程看起来逻辑非常清晰，易于理解。而符号式编程涉及较多的嵌入和优化，如下执行相同的计算时c，d可...原创 2019-04-13 17:07:53 · 440 阅读 · 0 评论 -
scikit-learn常用库与函数整理
需要提前导入的库：numpyimport numpy as np绘图import matplotlib.pyplot as plt数据集from sklearn import datasets各种机器学习库：kNN算法from sklearn.neighbors import KNeighborsClassifier线性回归fr...原创 2019-04-11 19:52:57 · 1123 阅读 · 0 评论 -
Python遇见机器学习 ---- k近邻（kNN）算法
综述所谓：“近朱者赤，近墨者黑”本文采用编译器：jupyterk近邻(简称kNN)算法是一种常用的监督学习算法， 其工作机制非常简单 : 给定测试样本，基于某种距离度量找出训练集中与其最靠近的 k个训练样本，然后基于这 k个"邻居"的信息来进行预测。通常， 在分类任务中可使用"投票法" 即选择这 k个样本中出现最多的类别标记作为预测结果；还可基于距离远近进行加权平均或加权投票，...原创 2019-02-28 23:19:31 · 1546 阅读 · 0 评论 -
Python遇见机器学习 ---- 线性回归算法 Linear Regression
综述“借问酒家何处有？牧童遥指杏花村。”本文采用编译器：jupyter线性模型试图学得一个通过属性的线性组合来进预测的函数，即线性模型形式简单、易于建模，但却蕴涵着机器学习中一些重要的基本思想。许多功能更为强大的非线性模型可在线性模型的基础上通过引入层级结构或高维映射而得。此外，由于 ω 直观表达了各属性在预测中的重要性，因此线性模型有很好的可解释性。例如，我们要判...原创 2019-03-03 17:18:21 · 2399 阅读 · 0 评论 -
Python遇见机器学习 ---- 主成分分析 PCA
目录综述01 使用梯度上升法求解主成分demean梯度上升法02 获得前n个主成分03 从高维数据向低维数据的映射04 scikit-learn中的PCA05 使用PCA降噪手写识别例子人脸识别06 特征脸特征脸综述“明道若昧；进道若退；夷道若颣；大方无隅；大器免成；大音希声；大象无形。”本文采用编译器：jupyter...原创 2019-03-12 22:38:51 · 879 阅读 · 0 评论 -
Python遇见机器学习 ---- 梯度下降法法 Gradient Descent
综述“譬如行远必自迩，譬如登高必自卑。”本文采用编译器：jupyter所谓梯度下降算法，本质上来讲并不能将其称作为机器学习算法，但是可以用于很多机器学习解决问题的领域，并且从数学上为我们解决一个复杂的问题提供了一个思路。回顾上一文中所述线性回归算法的损失函数，我们完全可以使用梯度下降法来最小化，就像日常生活中我们在登山时一定会选择最近的路程，所谓“梯度”其实就是“山”最陡峭的...原创 2019-03-08 17:23:41 · 1799 阅读 · 0 评论 -
Python遇见机器学习 ---- 逻辑回归 Logistic Regression
综述“子非鱼，焉知鱼之乐”本文采用编译器：jupyter逻辑回归方法是从线性回归方法发展过来的，通常解决的是分类问题，读者或许有这样一个疑问：既然是回归算法又么解决分类问题的呢？道理其实很简单，在我们求出线性回归系数a，b之后，对于每一个输入的x值，模型都可以输出对应的y值，如果把输出值y限制在0到1的范围内，那么这个y就非常的像一个概率p，我们只用规定概率的不同取值范围对...原创 2019-03-23 11:44:01 · 1454 阅读 · 0 评论 -
Python遇见机器学习 ---- 评价分类结果
综述“以古为镜，可以知兴替；以人为镜，可以明得失。”本文采用编译器：jupyter首先提出一个关于分类准确度的问题：一个癌症预测系统，输入体检信息就可以判断病人是否患有癌症。如果这个系统的预测准确度为99.9%，这个系统是好是坏？虽然99.9%的概率看上去比较大，但如果癌症产生的概率只有0.1%的话，我们辛辛苦苦做出来的系统和一个预测所有人都是健康的系统...原创 2019-03-25 10:50:43 · 751 阅读 · 0 评论 -
Python遇见机器学习 ---- 多项式回归 Polynomial Regression
综述“寒泉自可斟，况复杂肴醴。”本文采用编译器：jupyter在介绍线性回归模型时，曾假设所有模拟的数据均满足线性关系，即y是x的一次函数，然而现实中极少有这么理想的数据，这是我们就需要考虑更一般化的方法了，其中多项式回归为我们提供了一些思路。如上图，虽然y是关于x的二次方程，但实际上如果把x平方与x分别看成两个特征就变成我们之前所介绍的线性回归问题。即，相当于我...原创 2019-03-20 21:35:39 · 6097 阅读 · 2 评论 -
Python遇见机器学习 ---- 支持向量机SVM
综述“看二更云，三更月，四更天。”本文采用编译器：jupyter给定训练样本集D，分类学习最基本的想法就是基于训练集D的样本空间中找到一个划分超平面，将不同类别的样本分开。但能将训练样本分开但划分超平面可能有很多，如图。存在多个划分超平面将两类训练样本分开直观上看，应该去找位于两类训练样本"正中间"的划分超平面，即图中粗线的那个，因为该划分超平面对训练样本局部扰动的...原创 2019-03-28 19:11:38 · 732 阅读 · 0 评论 -
Python遇见机器学习 ---- 决策树 Decision Tree
综述“独木难成林”本文采用编译器：jupyter决策树 (decision tree) 是一类常见的机器学习方法，顾名思义，决策树是基于树结构来进行决策的，这恰是人类在面临决 策问题时一种很自然的处理机制。例如，我们要对“是否录用他作为机器学习算法工程师？”这样的问题进行决策时，通常会进行一系列的判断或“子决策”：我们先看“他是否发表过顶会论文？”如果是“没有”，则再看...原创 2019-03-31 11:28:49 · 1582 阅读 · 1 评论 -
Python遇见机器学习 ---- 集成学习 Ensemble Learning
综述“余既滋兰之九畹兮，又树蕙之百亩”本文采用编译器：jupyter集成学习 (ensemble learning)通过构建并结合多个学习器来完成学习任务。下图显示出集成学习的一般结构，先产生一组"个体学习器"，然后再通过某种方式将他们结合起来解决一个问题。在日常生活中也充满着集成学习的例子：比如“买东西找人推荐”“专家会诊确定病情”等。个体学习器由常见的机器...原创 2019-04-03 21:26:57 · 996 阅读 · 4 评论