- 博客(9)
- 收藏
- 关注
RSS订阅原创 梯度下降法代码实践
运行结果如下： 运行结果如下： 最小值点x= -0.9999999686288726 最小值y= 4.000000000000001 迭代次数n= 146运行结果为：最小值点x= -1.2483807232000002 最小值y= 8.12986307451471 迭代次数n= 10运行结果为：最小值点x= -1.9192954946775207 最小值y= 7.013026434358692 迭代次数n= 20运行结果为：最小值点x= -1.9999999740
2024-03-30 17:22:43
2064
原创 线性回归代码实践
结果如下： 运行结果如下： 属性：intercept:截距 normalize:标准化 copy_X:标准化后是否覆盖原数据 n_jobs:设置计算任务个数 coef_:feature系数，只能查看K值，不能看b值 intercept_:查看b值 rank_:查看矩阵的秩 singular_:查看矩阵的奇异值方法：fit:训练模型 pr
2024-03-30 16:41:32
1735
原创 FP增长算法
1）第一步，对事务数据库进行一次扫描，找出频繁1项集，按降序排序。由于所有1项集的支持度计数均超过了支持度计数阈值4，故全部保留。=40%，试利用FP增长算法找出所有满足支持度阈值的频繁项集。递归挖掘FP树，找出所有包含频繁1项集的前缀路径。2)对每个事务中的元素按支持度顺序排序。解：由于设定的支持度阈值为40%，从而。
2024-01-03 21:11:47
576
1
原创 Apriori关联分析
5)第五步，由频繁2-项集L2生成候选3-项集C3，生成的候选3-项集的集合C3={A,B,C}，C3的子集都是频繁的，且项集{A，B，C}计数为3，即L3=C3={A,B,C},L3即为频繁3-项集。从而，所有的频繁项集为：{A},{B},{C},{A,B},{A,C},{B,C},{A,B,C}。3）第三步，由L1产生候选2-项集C2，然后扫描事务数据库对C2中的项集进行计数。2）第二步，根据设定的最小支持度，从C1中确定频繁1-项集L1。已知最小支持度为60%，最小置信度为80%
2023-12-27 22:04:23
437
1
原创 利用CART算法建立决策树
对下图中的数据，利用CART算法建立决策树（要求写出详细的计算过程，包括每一次的条件基尼指数的计算过程），并利用构建好的决策树对“拥有豪华车型穿加大码衬衣的男性顾客”预测其所属类别。“拥有豪华车型穿加大码衬衣的男性顾客”预测其所属类别为C1.
2023-11-04 20:11:32
139
1
原创 朴素贝叶斯算法
根据以下微博账号数据集，训练朴素贝叶斯分类器，并决策：拥有特征{L=l，F=s，H=yes}的微博账号是否是真实账号。因为 P(R=yes)*P(L=l|R=yes)*P(F=s|R=yes)*P(H=yes|R=yes)=3/98。所以P(R=yes)*P(L=l|R=yes)*P(F=s|R=yes)*P(H=yes|R=yes)更大。所以P(R=yes)*P(L=l|R=yes)*P(F=s|R=yes)*P(H=yes|R=yes)更大。
2023-11-03 21:41:18
47
原创 sklearn数据预处理与决策树的实现
make_blobs主要是为了生成分类或者聚类数据集的n_features表示每一个样本有多少特征值n_samples表示样本的个数centers是聚类中心点的个数，可以理解为label的种类数random_state是随机种子，可以固定生成的数据cluster_std设置每个类别的标准差，默认为1shuffle：洗牌将数据缩放至指定的范围内将数据的最大值缩放至1。
2023-11-02 17:06:43
149
2
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