qq_48904748的博客

原创 三、深度学习总结01

原创 二、TensorFlow结构分析（5）案例

【代码】二、TensorFlow结构分析（5）案例。

原创 二、TensorFlow结构分析（4）

变量OP高级API。

原创 二、TensorFlow结构分析（3）

张量Tensor。

原创 二、TensorFlow结构分析（2）

【代码】二、TensorFlow结构分析（2）

原创 二、TensorFlow结构分析（1）

【代码】二、TensorFlow结构分析（1）

原创 一、深度学习介绍

目录1、深度学习与机器学习的区别1.1 特征提取方面1.2 数据量和计算性能要求1.3 算法代表2、深度学习应用场景

原创 七、机器学习总结

原创 六、回归与聚类算法 - K-means算法

目录1、K-means 聚类步骤2、API3、案例4、性能评估指标5、总结

原创 六、回归与聚类算法 - 模型保存与加载

模型保存与加载。

原创 六、回归与聚类算法 - 逻辑回归与二分类

分类算法：逻辑回归。

原创 六、回归与聚类算法 - 岭回归

线性回归的改进 - 岭回归。

原创 六、回归与聚类算法 - 欠拟合和过拟合

目录1、定义2、原因及解决方法2.1 正则化

原创 六、回归与聚类算法 - 线性回归

学习率：步长。

原创 五、分类算法 总结

【代码】五、分类算法 总结。

原创 四、分类算法 - 随机森林

sklearn转换器和估算器 KNN算法 模型选择和调优 朴素贝叶斯算法 决策树 随机森林1、集成学习方法2、随机森林3、随机森林原理4、API5、总结

原创 四、分类算法 - 决策树

获取数据数据处理缺失值处理特征值 -> 字典类型准备好特征值、目标值划分数据集特征工程：字典特征抽取决策树预估器流程模型评估。

原创 四、分类算法 - 朴素贝叶斯算法

目录1、朴素贝叶斯算法1.1 案例1.2 联合概率、条件概率、相互独立1.3 贝叶斯公式1.4 朴素贝叶斯算法原理1.5 应用场景2、朴素贝叶斯算法对文本进行分类2.1 案例2.2 拉普拉斯平滑系数3、API4、案例：20类新闻分类4.1 步骤分析4.2 代码分析5、总结朴素 + 贝叶斯5、总结

原创 四、分类算法 - 模型选择与调优

模型选择和调优。

原创 四、分类算法 - KNN算法（K-近邻算法）

获取数据数据集划分特征工程 - 标准化KNN预估器流程模型评估# 用KNN 算法对鸢尾花进行分类# 1、获取数据# 2、划分数据集# 3、特征工程 - 标准化# 4、KNN 算法预估器# 5、模型评估# 方法1 ：直接比对真实值和预测值print("直接比对真实值和预测值：\n",y_test == y_predict)# 方法2：计算准确率print("准确率为：\n",score)# 代码1 ：用KNN算法对鸢尾花进行分类knn_iris()

原创 四、分类算法 - sklearn转换器和估算器

目标值：分类sklearn转换器和估算器。

原创 三、机器学习概述总结

【代码】三、机器学习概述总结。

原创 二、特征工程 - 特征降维

数据中包含冗余或相关变量（或称特征、属性、指标等），旨在从原有特征中找出主要特征。

原创 二、特征工程 - 特征预处理

通过对原始数据进行变换把数据映射到（默认为[0,1]）之间注意如果最大值最小值是变化的，另外，最大值与最小值非常容易受异常点影响，所以这种方法鲁棒性（稳定性）较差，只适合传统精确小数据场景。通过对原始数据进行变换到均值为0，标准差为1的范围内在已有样本足够多的情况下比较稳定，适合现代嘈杂大数据前景# 获取数据集print("鸢尾花数据集：\n",iris)print("查看数据集描述：\n",iris["DESCR"])print("查看特征值的名字：\n",iris.feature_names)

原创 二、特征工程 - 特征抽取

获取数据集print("鸢尾花数据集：\n",iris)print("查看数据集描述：\n",iris["DESCR"])print("查看特征值的名字：\n",iris.feature_names)print("查看特征值：\n",iris.data,iris.data.shape)# 数据集划分# random_state=22 随机种子，因为随机种子是固定的，所以每次运行程序时都会得到相同的训练集和测试集# 这对于代码的可重复性和调试非常有用。

原创 二、特征工程 - 数据集

目录一、数据集1.1 可用数据集1.2 Scikit - learn工具介绍1、安装2、导入3、实例4、包含的内容1.3 sklearn数据集1、sklearn.datasets 2、sklearn小数据集3、sklearn大数据集1.4 数据集的返回值1.5 数据集的划分2、导入3、实例4、包含的内容分类、回归、聚类、降维、模型选择、特征工程加载获取流行数据集1.5 数据集的划分训练数据：用于训练，构建模型测试数据：在模型检验时使用，用于评估模型是

原创 一、机器学习概述

达特茅斯会议——人工智能的起点机器学习是人工智能的一个实现途径深度学习是机器学习的一个方法发展数据模型预测从历史数据中获得规律？这些历史数据是怎么样的格式？算法是核心，数据与计算是基础找准定位怎么做？机器学习库与框架 pytorch TensorFlow1）入门2）实战类书籍3）机器学习 - “西瓜书” - 周志华统计学习方法 - 李航深度学习 - “花书”

原创 关于代码设计的一些好用的网站

代码设计

原创 三、若依代码自动生成

1、先在数据库中创建一个表2、点击代码生成——>导入3、选择并确定4、根据需要进行编辑修改5、点击代码生成解压 运行sql语句 把前端和后端代码复制到相应地方

原创 二、若依框架目录讲解

原创 一、若依框架如何运行

redis配置

原创 cookie，localStorage，sessionStorage

【代码】cookie，localStorage，sessionStorage。

原创 vuex的学习

【代码】vuex的学习。

原创 插槽slots

插槽内容可以访问到父组件的数据作用域，因为插槽内容本身在父组件模板中定义的。

原创 父组件向子组件传递数据

【代码】父组件向子组件传递数据。

原创 404和路由钩子

只在router的index.js，路由配置里配置即可。

原创 路由传递参数

name：传组件名，params：传递参数。

原创 使用webpack

4、在moudules下创建一个名为main.js 的入口文件，用于打包时设置entry属性。5、在项目目录下创建webpack.config.js 配置文件，使用webpack命令打包。3、在modules下创建模块文件，如hello.js，用于编写JS模块相关代码。2、创建一个名为modules的目录，用于放置JS 模块等资源文件。6、在根目录下创建HTML页面，导入webpack打包后的JS文件。

原创 五、python，mysql数据库

构建到mysql数据库的链接port=3306,# 执行非查询性质的SQL# 获取到游标对象# 选择数据库# 执行sql语句")# 执行查询性质的SQL")print(r)# 关闭链接。

原创 四、对象和方法

【代码】四、对象和方法。