【转】《机器学习实战》读书笔记——转自jack-cui

最新推荐文章于 2022-08-07 22:26:25 发布
转载 最新推荐文章于 2022-08-07 22:26:25 发布 · 920 阅读 · 2 ·
CC 4.0 BY-SA版权
原文链接：https://blog.youkuaiyun.com/c406495762/article/category/9269492
文章标签：

#python #机器学习

本书为《机器学习实战》的Python3版本，深入讲解了如何使用Python3实现机器学习算法，包括线性回归、逻辑回归、决策树等，适合有一定Python基础的学习者。
机器学习实战读书笔记（五）
PasPerCon
08-26 379
本部分介绍Apriori算法用于关联分析以及FP-growth算法来高效发现频繁项集。 10. Apriori算法 （1）关联分析 从大规模数据集中寻找物品间的隐含关系被称为关联分析。关联分析有两种形式：频繁项集或关联规则。 频繁项集：经常在一起的物品的集合；关联规则：暗示两种物品之间存在很强的关系。 定义频繁项集中最重要的是支持度和可信度。支持度是数据集中包含该项集的记录所占的比例。可...
《机器学习实战》读书笔记(第一部分：分类)
jcjbusbjk的博客
05-23 293
一、KNN 原理： 步骤： 数据处理归一化 计算已知类别数据集中的点与当前点之间的距离 选取与当前点距离最小的k个点 确定k个点所在类别出现的频率，返回频率最高的类别作为当前点的预测分类 def classify0(inX,dataSet,labels,k): dataSetSize=dataSet,shape[0] ##tile函数用来复制一份inX数组的副本 ##dataSet是数据集，我们要求输入数据与数据集的欧氏距离 diffMat=tile(inX,(dataSetSize,1))-d
机器学习实战读书笔记(1)
03-16 136
机器学习的主要任务： 分类：将实例数据划分到合适的分类中 回归：主要用于预测数值型数据 分类和回归属于监督学习，监督学习必须知道预测什么，即目标变量的分类信息 无监督学习：数据没有类别信息，也不会给定目标值。 在无监督学习中，将数据集合分成由类似的对象组成的多个类的过程称为聚类； 将寻找描述数据统计值的过程称之为密度估计。 ...
《机器学习实战》——读书笔记1
u013319237的博客
02-21 753
前言 在大学里，最好的方面不是你研修的课程或从事的研究，而是一些外围活动：与人会面、参加研讨会、加入组织、旁听课程，以及学习未知的知识。 一个机构会雇佣一些理论家（思考者）以及一些做实际工作的人（执行者）。前者可能会将大部分时间花在学术工作上，他们的日常工作就是基于论文产生思路，然后通过高级工具或教学进行建模。后者则通过编写代码与真实世界交互，处理非理想世界中的瑕疵，比如崩溃的及其或带噪声的数据
《机器学习实战》读书笔记
Jack's blog
12-19 551
花了接近一个月速读了《机器学习实战》，感觉实战有余，理论不足。画个脑图作为读书笔记，仅记录个人感觉关键的知识点以便日后索引。
“机器学习实战”刻意练习——分类问题：K近邻算法
nanashi_F的博客
11-12 988
“机器学习实战”刻意练习——分类问题：K近邻算法 | 一、概述 |二、代码实现（python3）| 三、如何测试分类器 | 四、k-近邻算法实战：约会网站配对效果判定 | 五、K-近邻算法小结
《机器学习实战》个人学习记录笔记（三）———k-近邻算法实战之sklearn手写数字识别
qq_41010142的博客
04-15 654
第二章 k-近邻算法PS：个人笔记 根据《机器学习实战》这本书，Jack-Cui的博客，以及深度眸的视频进行学习1. Sklearn实现k-近邻算法sklearn.neighbors.KNeighborsClassifier就可以是实现上小结，我们实现的k-近邻算法。KNeighborsClassifier函数一共有8个参数。KNneighborsClassifier参数说明：⭐⭐n_neighb...
《机器学习实战》学习笔记第八章-回归
isla77的博客
08-07 728
回归的目的就是预测数值型的目标值。一般线性回归y=w*x+b，回归和线性回归一般是一个意思。
“机器学习实战”刻意练习——分类问题：支持向量机
nanashi_F的博客
12-02 1122
“机器学习实战”刻意练习——分类问题：支持向量机 | 一、SVM原理概述 | 二、代码实现（python3）[可视化数据集、简化SMO算法、利用完整 Platt SMO 算法加速优化、非线性SVM] | 三、小结
机器学习实战一——朴素贝叶斯中文情感分类模型
热门推荐
何以解忧 唯有专注
04-02 1万+
简介： 考研复试顺利结束，目前正忙于毕业设计——《网络文本数据的爬取与数据分析》，如题，概括的说包括两项任务，一个是爬虫与数据采集，另外一个是进行数据分析。目前爬虫工作全部完成，爬取的内容是豆瓣的电影评论(23000条)，后文我会提供数据下载链接。而对于后者数据的分析，需要做的主要工作是对于评价文本进行情感的分类。也就是积极或者消极。对于其初步实现，初步计划是使用朴素贝叶斯、svm、cnn三种方法...
机器学习实战-读书笔记(一)
LiuKe369的博客
07-29 603
第二章 1.简单KNN模型 1.1创建数据集 from numpy import * import operator def createDataSet(): group = array([[1.0,1.1],[1.0,1.0],[0,0],[ labels = ['A','A','B','B'] return group, labels 测速创造的数据集 &g...
机器学习实战读书笔记（一）
PasPerCon
08-22 642
针对于分类问题，书中介绍了K近邻、决策树、朴素贝叶斯、Logistic回归、支持向量机和AdaBoost方法。下面将介绍其优缺点。 1. K近邻 优点：精度高、对异常值不灵敏、无数据输入假定（例如Logistic回归中x0=1等）。 缺点：计算复杂度高，空间复杂度高。无法给出任何数据的基础结构信息。 适用数据范围：数值型、标称型。 2. 决策树 优点：计算复杂度不高，输出结果容易理解（...
《机器学习实战》读书笔记——机器学习基础
Lethe's Blog
03-22 335
1 何谓机器学习 机器学习就是把无序的数据转换成有用的信息 1.1 相关术语 （1）模型：模型是机器学习的核心概念，可以认为是某种机器学习算法在设定参数后的产物。 （2）数据集：数据集又分为训练集和测试集，在训练模型阶段使用，叫做训练集；在测试模型阶段使用，就叫测试集。 （3）数据：数据集就是数据的集合。在机器学习中，称一条数据为一个样本（Sample），形式类似一维数组。样本通常包含多个特征（F...
《机器学习实战》读书笔记（一）机器学习基础
南梦倾寒的博客
06-08 715
前言：作者书写《机器学习实战》读书笔记一系列的文章所采用的环境为Windows，软件为VScode（Visual Studio Code），编程语言为Python（3.7.0版本），本文意在记录作者学习机器学习的过程，如果有错误的地方可以私信作者，再次感谢大家对作者的支持！ 第一章：机器学习基础 1.1何谓机器学习 机器学习就是把无数的数据转换成有用的信息。 机器学习横跨计算机科学、...
机器学习实战读书笔记（三）
PasPerCon
08-25 402
从本节开始，将介绍无监督学习。今天整理了无监督学习中的k均值聚类算法和MapReduce部分的内容。本部分是8月24号的内容。 9. k均值聚类算法 （1）k均值聚类算法 优点：易于实现。 缺点：可能收敛到局部最小值，在大规模的数据集上的收敛速度慢。 适用数据类型：数值型。 可以用的误差指标如误差的平方和（Sum of Squared Error，即SSE）来评价算法的效果。k值是需要...
机器学习实战读书笔记（二）
PasPerCon
08-24 299
第二部分将介绍回归问题，采用的方法有线性回归、局部加权回归、收缩方法（第7小节）树回归（第8小节）。该部分是8月23号的更新内容。 7. 回归 采用或者预测值与数据的拟合度来分析模型的拟合程度。 （1）线性回归 优点：易于理解，计算不复杂。 缺点：对于非线性的数据拟合不好。 适用数据类型：数值型和标称型。 求解系数：逆可能不存在；                   采用正规矩阵的...
机器学习实战读书笔记（二）：决策树
cx_mors的博客
11-13 286
决策树多用于处理分类问题，也经常使用的数据挖掘算法 k-近邻算法最大的缺点是无法给出数据内在含义 决策树的主要优势是数据形式很容易理解 决策树的一个最重要任务是为了数据所蕴含的知识信息，因此决策树可以使用不熟悉的数据集合 并从中提取出一系列规则，创建规则的过程就是机器学习的过程 决策树优点：计算复杂度不高，输出结果易于理解，对中间值缺少不敏感，可以处理不相关特征数据 决策树缺点：可能会产生过度匹...
《机器学习实战》讲解
xyk_hust的博客
04-20 693
笔记：优快云https://blog.youkuaiyun.com/c406495762/column/info/16415 视频：https://www.bilibili.com/video/av36993857/?spm_id_from=333.788.videocard.0
机器学习实战——第四章（分类）：朴素贝叶斯
摆正心态
07-13 1345
前言 首先感谢博主：Jack-Cui 主页：http://blog.youkuaiyun.com/c406495762 朴素贝叶斯博文地址： https://blog.youkuaiyun.com/c406495762/article/details/77341116 https://blog.youkuaiyun.com/c406495762/article/details/77500679 这篇博文对书上的内容很形象的进行了表达，通俗易懂，用自己的实例来进行讲解，比书上讲的清楚太多，于是我才开始了学习，感激不尽，真心推荐。 我这篇博文大多
JackCui大佬写的博客 机器学习
最新发布
08-03
JackCui（博主：Jack-Cherish）在机器学习领域撰写了一系列深入浅出的文章，涵盖了多个经典的机器学习算法及其Python实现。以下是部分与机器学习相关的博客文章主题[^1]： - **Logistic回归与梯度上升算法** 该文章介绍了Logistic回归的基本原理以及如何使用梯度上升算法进行参数优化。此外，还提供了完整的Python代码实现，并讲解了如何绘制决策边界。 - **朴素贝叶斯分类器** 博文中详细解释了朴素贝叶斯的基本理论，并结合实例演示了如何使用该算法进行分类任务。内容通俗易懂，适合初学者理解和实践。 - **支持向量机（SVM）与SMO算法** 涉及支持向量机的理论基础、核技巧的使用，以及如何通过SMO（Sequential Minimal Optimization）算法来高效求解SVM的参数。文章还提供了完整的Python实现代码。 - **非线性SVM与核技巧** 进一步探讨了如何使用核方法处理非线性分类问题，并展示了如何在Python中实现非线性SVM。 - **使用Sklearn构建SVM分类器** 介绍了如何利用Scikit-learn库中的`svm.SVC`类快速构建支持向量机分类器，并结合实际数据集进行训练和评估。 所有这些文章都配有Python3.x代码示例，并且可以在博主的GitHub仓库中找到完整代码：https://github.com/Jack-Cherish/Machine-Learning/。 ### 相关代码示例 以下是Logistic回归的部分Python实现代码： ```python def sigmoid(inX): return 1.0 / (1 + exp(-inX)) def gradAscent(dataMatIn, classLabels): dataMatrix = mat(dataMatIn) labelMat = mat(classLabels).transpose() m, n = shape(dataMatrix) alpha = 0.001 maxCycles = 500 weights = ones((n,1)) for k in range(maxCycles): h = sigmoid(dataMatrix * weights) error = (labelMat - h) weights = weights + alpha * dataMatrix.transpose() * error return weights.getA() ```
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值