qq_40170007的博客

1、从.csv文件中读取文件内容；将DataFrame对象存放到.csv文件中#读取文件内容train = pd.read_csv('train.csv',index_col=0)#读取内容时，如果每行前面有索引值，舍去#将DataFrame类型的对象（最终提交的结果形式），转换为.csv文件result = pd.DataFrame({'PassengerId':data_test['PassengerId'].values,'Survived':prediction.astype(np.i

一、朴素贝叶斯算法朴素贝叶斯算法是一种有监督的学习算法，可以解决分类的问题。对于给定的训练数据集，首先基于特征条件独立假设学习输入和输出的联合概率分布，然后基于此模型，当给定输入的x时，利用贝叶斯定理求出后验概率最大的输出y值。假设目前我们的数据集，其中的所有的数据可以分为两类。使用p1表示属于其中一类的概率，p2表示属于另一种的概率，输入新的数据点（x,y）,如果在该点的p1(x,y)>p2(x,y),则该点属于类别1，反之属于类别2。因此朴素贝叶斯算法最终返回的是所属的类别中概率值最大的类

一、KNN算法的思想通过一定的方法度量其他样本到目标样本的距离，选取距离最近的k个样本，当这k个样本大多数分类的结果都属于某一个类别时，则判断目标样本也是属于这个类别的。常用的衡量距离的方式主要有两种：曼哈顿距离和欧式距离样本的特征空间：两个样本集都是含有n为特征的数据集，（1）曼哈顿距离：（2）欧氏距离：这里我们使用欧式距离L2作为衡量的尺度，实现简单数据的分类import numpy as npimport operator'''parameters: