m0_55696513的博客

决策树预测结果易理解，预测速度快，高商业价值的工具算法原理图例决定下班后的安排：Q：在创建决策树时要先对哪个特证进行分裂？A：信息量化！信息增益如何量化信息，一个信息的不确定性越大，要搞清楚这个问题，需要了解的信息就越多，信息熵就越大。信息熵公式：H(X)=−∑x∈XP(X)log2P(X)H(X)=-∑_{x∈X}P(X)log_2P(X)H(X)=−x∈X∑​P(X)log2​P(X)单位：bit回到决策树，遍历所有特征计算信息熵，使用这个特征划分数据集前后的信息熵的变化值，选择

卷积神经网络CNN（白话解释）概念图示convolutions:卷积pooling:池化full convolutions:全部卷积Gaussian convolutions:高斯卷积image-net(图片学习资源网站)关键点摘要计算机视觉，计算机如何理解图像卷积神经网络可以处理图像，音频等可以转化为图像数据格式的文件输入二维的像素阵列输出图片结论中间的黑箱部分即为卷积神经网络提取图像的某些特证卷积核（特征提取器）卷积操作（交叉关联操作）卷积核对应输入阵列进行卷积操作，得

学习曲线学习曲线是诊断模型算法准确性的一个重要工具。生成若干个在y=√x附近波动的点作为训练样本。import numpy as npimport matplotlib.pyplot as pltn_dots=200X=np.linspace(0,1,n_dots)Y=np.sqrt(X)+0.2*np.random.rand(n_dots)-0.1#[0,1]之间创建200个点X=X.reshape(-1,1)Y=Y.reshape(-1,1)用pipline来处理数据pipeli

数字识别1、数据的采集和标记加载数据import matplotlib.pyplot as pltfrom sklearn import datasetsdigits=datasets.load_digits()#sk自带数据集# print(digits)#把数据所代表的图片显示出来images_and_labels=list(zip(digits.images,digits.target))# print(images_and_labels)#解压数据plt.figure(figs

python从变量到异常处理​python从变量到异常处理python从变量到异常处理python字符串1、字符串处理常用函数2、字符串处理方法3、槽（字符串格式化）python面向对象进阶property装饰器slots静态方法和类方法继承和多态python推导式，pass语句推导式列表推导式元组推导式集合推导式字典推导式pass语句正则表达式几个可能会见到的例子1、替换字符串中的某些内容2、拆分长字符串相关函数py