- 博客(11)
- 收藏
- 关注
RSS订阅原创 Python实用1000例---第11例 机器学习之监督学习下回归算法中多项式回归
《Python实用1000例》中的多项式回归教程介绍了如何通过添加多项式特征将非线性数据转化为线性可拟合的问题。文章对比了线性回归与多项式回归的区别，指出多项式回归能更好地拟合曲线分布的数据。通过房屋面积预测房价的实例，展示了如何创建高次特征并转化为多元线性回归问题。教程详细讲解了数学原理（最小二乘法）和优缺点（易过拟合），并提供了Python实现代码，包括数据生成、多项式特征转换、模型训练及可视化不同阶数的拟合效果对比。最后强调需谨慎选择多项式阶数以避免过拟合。
2025-09-25 17:53:21
997
原创 Python实用1000例---第10例 机器学习之无监督学习下降维中主成分分析算法
本文讲述主成分分析是什么，以及其核心思想、实际用例和python例程。
2025-08-19 17:10:29
1410
原创 Python实用1000例---第9例 机器学习的前世今生
文章系统梳理了机器学习发展历程：从1950年代的理论奠基（图灵测试、感知机），经历1970年代的寒冬期，到1990年代统计学习崛起，再到2000年后深度学习革命（AlexNet、AlphaGo）。重点介绍了机器学习在计算机视觉、自然语言处理、推荐系统等七大核心领域的应用案例，如医疗影像识别、智能客服、自动驾驶等。最后阐释了机器学习与深度学习的关系：深度学习是机器学习的重要子集，擅长处理复杂任务但需大量数据支持。文章强调应根据具体问题选择合适的算法，二者各有优势可互补应用。
2025-08-17 19:22:48
829
原创 Python实用1000例---第8例 机器学习之监督学习下分类算法中支持向量机
随后展示了使用Python的sklearn库实现SVM的代码示例，对比了线性核、多项式核和高斯核在月牙形数据集上的分类效果，并可视化展示了不同核函数的表现。本文讲述支持向量机算法，希望你喜欢，期待您的关注和转发，那是对永恒的菜鸟最大的支持。3.3、你只需要告诉SVM用哪种“滤镜”（比如常用的高斯核/RBF核），它自己就会在“魔法空间”里找到那条最宽的隔离带和分界线。 这是SVM最牛的地方！1.1、假设你有一堆红球⚪和蓝球🔵，它们被扔在地上，但神奇的是，红球全在左边，蓝球全在右边，中间有一条明显的空地。
2025-08-17 09:47:18
697
原创 Python实用1000例---第7例 机器学习之监督学习下分类算法中决策树算法
决策树是一种通过递归分割数据构建树状模型的监督学习算法，包含根节点、决策节点和叶子节点。文章详细展示了数据预处理、特征工程、模型训练与评估的Python实现，包括缺失值处理、特征编码、决策树可视化及特征重要性分析。首先定义数据集的URL，然后使用pandas的read_csv函数从该URL读取CSV文件内容，并将数据存储在变量data中，为后续的数据预处理和建模做准备。，目标是在每个节点（内部节点）上根据某个特征和阈值将数据划分为尽可能"纯净"的子集（子节点），最终到达无法或无需再分割的叶子节点。
2025-08-16 09:25:16
1117
原创 Python实用1000例---第6例 机器学习之无监督学习下聚类中高斯混合模型
它以数学天才卡尔·弗里德里希·高斯（Carl Friedrich Gauss）的名字命名，描述了自然界、社会和科学实验中广泛存在的随机现象的分布规律（如测量误差、人的身高、考试成绩等）。1、生成合成数据：使用make_blobs函数创建1000个样本点，分为3个簇，每个簇的标准差不同（1.0、0.5、0.3），确保聚类效果明显。2、添加异常点：手动定义4个远离正常簇的异常点坐标，通过np.vstack将这些异常点垂直拼接到原始数据中，用于后续异常检测算法的测试。计算每个点与均值的偏差平方和的平均值。
2025-08-15 09:09:40
1170
原创 Python实用1000例---第5例 机器学习之监督学习下分类算法中随机森林算法
本文介绍了监督学习中的随机森林算法及其应用。随机森林通过构建多个决策树并综合其预测结果来提高准确性和鲁棒性。文章以鸢尾花数据集为例，详细演示了Python实现过程：1）调用scikit-learn等库函数；2）加载并划分数据集；3）构建随机森林分类器并训练模型；4）评估模型性能（准确率达95.56%）；5）可视化混淆矩阵和特征重要性。通过完整的代码示例和结果展示，帮助读者理解随机森林算法的实际应用。
2025-08-14 08:39:43
830
原创 Python实用1000例---第4例 机器学习中无监督学习的K-mean聚类
本文介绍了《Python实用1000例》中K-means聚类算法的应用。K-means是一种无监督聚类算法，通过指定K值将数据划分为K个簇，使同一簇内相似度高，不同簇间差异大。文章详细展示了使用Python实现K-means的步骤：导入必要的库（scikit-learn、NumPy、Matplotlib等），输入测试数据，执行聚类分析，并将结果可视化。代码演示了如何对8个二维点进行3类聚类，并按照最近邻原则连接各簇内的点。最后指出K-means虽存在预设K值和初始化敏感等局限，但因其简洁高效仍是工业界常用聚
2025-08-09 09:37:16
370
原创 Python实用1000例---第3例 机器学习中监督学习的线性回归
《Python实用1000例》作者以线性回归为例，介绍了机器学习基础算法。文章首先阐述了线性回归的基本概念、模型表示和损失函数（最小二乘法），并说明参数求解的两种方法（正规方程和梯度下降）以及模型评估指标（MSE、RMSE等）。随后通过Python代码演示了线性回归的实现过程，包括数据生成、模型训练、预测和评估，最后可视化展示了回归结果。作者强调这是基础学习内容，欢迎读者指正交流，共同进步。
2025-08-08 09:19:00
934
原创 Python实用1000例---第2例 机器学习中无监督学习的DBSCAN聚类
本文介绍了DBSCAN密度聚类算法的原理及Python实现。DBSCAN通过设置邻域半径(eps)和最小样本数(min_samples)参数，自动识别数据中的簇和噪声点。文章详细演示了实现步骤：1）导入sklearn、numpy等库；2）准备示例数据；3）设置参数进行DBSCAN聚类；4）可视化展示聚类结果，包括簇内点连接和噪声点标记。该实例为初学者提供了DBSCAN算法的完整实现过程，帮助理解其基于密度的聚类原理及实际应用。
2025-08-06 14:17:16
419
原创 Python实用1000例---第1例 机器学习中的算法
前言机器学习中算法很多，而且每天都在实时更新，目前按照常见的分类：分为监督学习、无监督学习、半监督学习、强化学习等；以此分类来列出一些目前经典的、常用的算法。
2025-08-06 11:50:13
653
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人