jin690734932的博客

在《机器学习实战》这本书中，学习到Plotting trees in Python with Matplotlib annotations这个章节，发现里面的一些代码并不是容易理解的，对其中的内容做一个注解，分为两部分，一个是里面代码的语句语法内容，一个是代码的逻辑实现内容，本文则是讲所涉及代码的语法。decisionNode = dict(boxstyle="sawtooth",fc="0.8"...

用递归函数绘制决策树的图，前面说了语法问题，现在要说关于代码逻辑的问题，猛地一看确实很难理解，网上找了找，发现有一篇关于解释这个逻辑——plotTree函数完全解析，但是里面的内容有些混乱，有点将结果设置原因，进行解释。比如plotTree.xOff的赋值，初始值为-0.5/plotTree.totalW，在文章中将其设为原因，因为其初始值是这个所以要在算法上加，“由于开始plotTree.xOf...

设置非单位矩阵理解 Shape[0]和shape[1] Shape[0]得到矩阵的行数shape[1]得到矩阵的列数将kNN算法每步拆开理解其中的内容 

代码理解：

编辑的锅，排版出现了问题。文中：（得出结果是0.9287712379549449）实际：（得出结果是0.9709505944546686，基本保持一致）

chooseBestFeatureToSplit(dataSet)函数中：featList = [example[i] for example in dataSet] 请查找关于Python的列表生成式（list comprehensions）内容。

vocabList,p0V,p1V=localWords(ny,sf)出现错误将ny=feedparser.parse('http://newyork.craigslist.org/stp/index.rss')sf=feedparser.parse('http://sfbay.craigslist.org/stp/index.rss')更改为：ny=feedparser.parse('http...

该部分比较难以理解将理解过程参考的内容贴下来：导数、偏导数和梯度参考1参考2梯度下降参考1均方差、代价函数参考1参考2备注：½是一个常量，这样是为了在求梯度的时候，二次方乘下来就和这里的½抵消了，自然就没有多余的常数系数，方便后续的计算，同时对结果不会有影响代码解析参考1参考2...

mat0 = dataSet[nonzero(dataSet[:,feature] > value)[0],:] mat1 = dataSet[nonzero(dataSet[:,feature] <= value)[0],:] dataSet[:,m]是numpy中对于矩阵的截取。dataSet[:,0]就是取矩阵X的所有行的第0列的元素dataSet[:, m:n]即取矩...