小怪兽的博客

机器学习笔记线性回归对于给定的特征X和标签y，可以直接调用sklearn里的LinearRegression()类初始化一个线性回归模型，之后通过fit()函数在给定的数据上做拟合。# 实例化一个线性回归模型regr = linear_model.LinearRegression()# 拟合给定数据regr.fit(X_train,y_train)拟合完之后对象regr里存储着已经训练好的线性回归模型的参数,并可以使用regr来对未来的数据做预测了。这里需要注意的是,对于给定的数据我们可以提

typora-root-url: imageBPBPBP神经网络1.激活函数​ 激活函数（Activation Function）是在人工神经网络的神经元上运行的函数，负责将神经元的输入映射到输出端。激活函数对于人工神经网络模型去学习、理解复杂的非线性函数，具有十分重要的作用。​ 如果不使用激活函数，每一层输出都是上一层输入的线性运算，无论神经网络有多少层，最终的输出只是输入的线性组合，相当于感知机。如果使用了激活函数，将非线性因素引入到网络中，使得神经网络可以任意逼近任何非线性函数，能够应用.

文章目录逻辑回归一、逻辑回归中的条件概率1.1逻辑回归的应用1.2理解基准1.3分类问题二、使用步骤逻辑回归logistic回归是一种广义线性回归（generalized linear model），因此与多重线性回归分析有很多相同之处。它们的模型形式基本上相同，都具有 w‘x+b，其中w和b是待求参数。一、逻辑回归中的条件概率1.1逻辑回归的应用   逻辑回归是二分类问题的神器，非常简单实用，是在线上系统中使用率最高的模型。经典的二分类问题有预测贷款违约情况（违约/不会违约）

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录基本数据操作一、索引操作直接使用行列索引（先列后行）结合loc或者iloc使用索引二、使用步骤总结基本数据操作本文基本数据操作数据准备：# 创建一个符合均匀分布的数据集（634,7）import numpy as npimport pandas as pd # 生成数据data = np.random.uniform(-20,20, (634,7))# 生成行索引date = pd.date_range(sta

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录内容预览Pandas的介绍为什么使用pandasDataFrameDataFrame结构DataFrame的常用属性DataFrame索引的设置修改行列索引值重设索引设置新索引MultiIndex与PanelMultiIndexPanelSeries创建SeriesSeries获取索引和值小结2.读入数据代码如下（示例）：data = pd.read_csv( 'https://labfile.oss.aliyunc

文章目录前言一、基本术语1.数据集（dataset）2.样本（sample）3.属性（attribute）4.属性值（attribute value）5.属性空间（attribute space）6.学习（learning）/训练（training）7.训练数据（training data）8.训练样本（training sample）9.训练集（training set）10.假设（hypothesis）11.学习器（learner）12.标记（label）13.样例（example）14.分类（clas

数据的标准化  数据的标准化（normalization）是将数据按比例缩放，使之落入一个小的特定区间。在某些比较和评价的指标处理中经常会用到，去除数据的单位限制，将其转化为无量纲的纯数值，便于不同单位或量级的指标能够进行比较和加权。  其中最典型的就是数据的归一化处理，即将数据统一映射到[0,1]区间上，常见的数据归一化的方法有：min-max标准化(Min-max normalization)log函数转换atan函数转换z-score 标准化(zero-mean normalizatio