AsajuHuishi的博客

from sklearn.datasets import load_digitsfrom torch.utils.data import DataLoaderimport numpy as npdigits = load_digits()img = digits['images'] #(1797,8,8)img = img[:,np.newaxis,:,:] #(1797,1,8,8)dataloader = DataLoader(img, batch_size=4, shuffle=Tru

介绍Scikit-learn提供了learning_curve类，方便获得和训练的可视化相关的数据。例如，如果想要观察训练集使用不同样本数量和训练得分/测试得分的关系，可以使用learning_curve函数，在Python机器学习可视化（一）sklearn.learning_curve中介绍了训练样本数量——训练/测试得分曲线。机器学习的方法中往往涉及到超参数的调整，本文利用validation_curve函数，以load_digit数据集和SGD分类为例，通过可视化的方式来考察不同超参数和性能

西瓜数据集3.0标准BP算法：求单个样本的均方误差（公式5.4）；参数更新非常频繁;需要更多次数迭代。累积BP算法：求所有训练样例的均方误差（公式5.16）；参数更新频率低得多；累积误差下降到一定程度之后，进一步下降慢。# -*- coding: utf-8 -*-#单隐层网络import pandas as pdimport numpy as npfrom sk...

西瓜数据集3.0α# -*- coding: utf-8 -*-import numpy as npimport matplotlib.pyplot as pltfrom sklearn import svmimport pandas as pdfrom sklearn.metrics import accuracy_score#返回正确的比例from sklearn.preproc...

编号,密度,含糖率,好瓜1,0.697,0.46,是2,0.774,0.376,是3,0.634,0.264,是4,0.608,0.318,是5,0.556,0.215,是6,0.403,0.237,是7,0.481,0.149,是8,0.437,0.211,是9,0.666,0.091,否10,0.243,0.267,否11,0.245,0.057,否12,0.343,...

根据西瓜书的西瓜数据集3.0，实现拉普拉斯修正的朴素贝叶斯分类器。# -*- coding: utf-8 -*-import pandas as pdimport math##朴素贝叶斯分类器def fun(sigma,mu,xi):#概率密度函数 return 1/(math.sqrt(2*math.pi)*sigma)*math.exp(-(xi-mu)**2/(2*sig...

在西瓜数据集2.0上基于信息增益准则生成决策树。用python 写一个递归函数就可以实现了。# -*- coding: utf-8 -*-###以西瓜书76为例决策树import pandas as pdimport numpy as npimport mathimport copy#计算信息熵def Information_Entropy(plist): ent =...

介绍Scikit-learn提供了learning_curve类，方便获得和训练的可视化相关的数据。例如，如果想要观察训练集使用不同样本数量和训练得分/测试得分的关系，可以使用learning_curve函数可视化，得到训练样本数量——训练/测试得分曲线如下。本文将具体介绍实现过程。from sklearn.learning_curve import learning_curve, v...