厚积而薄发

在scikit-learn中，包括两个K-Means的算法，一个是传统的K-Means算法，对应的类是KMeans。另一个是基于采样的Mini Batch K-Means算法，对应的类是MiniBatchKMeans。一般来说，使用K-Means的算法调参是比较简单的。用KMeans类的话，一般要注意的仅仅就是k值的选择，即参数n_clusters；如果是用MiniBatchKMeans的话，也仅仅多了需要注意调参的参数batch_size，即我们的Mini Batch的大小。

用于多维机器学习判断梯度下降收敛文章目录1️⃣灵魂核心2️⃣更加详解1️⃣灵魂核心说白了就是用一个标量来衡量 矩阵的大小numpy实现np.linalg.norm(矩阵)2️⃣更加详解链接

模型评估文章目录模型评估1. 过拟合和欠拟合2. 评估方法-性能评估3. 数据集产生方法3.1 留出法3.2 交叉验证法（常用）3.2.1 特例：留一法3.3 自助法4. 性能度量-评估指标4.1 以分类任务为例：4.2 以回归任务为例：5. 类不平衡数据集和特殊需求5.1 差准率、查全率5.1.1 方法一:使用平衡点5.1.2 方法二：F1度量5.1.3 方法三：ROC曲线6. 比较检验7. 假设检验7.1 成对双边t检验7.2 Friedman检验和Nemenyi后续检验1. 过拟合和欠拟合[外链

import numpy as npdef sigmoid(x): #请补全逻辑回归函数 return 1.0/(1+np.exp(-x))def predict(x_test, weight): if sigmoid(weight.T @ x_test) > 0.5: return 1 return 0#实现逻辑回归的训练def fit(x, y): m, n = x.shape w = np.zeros(n).resha

机器学习定义：利用经验来改善计算机系统自身的性能目的：让计算机具有人的学习能力以便实现人工智能本质：寻找函数[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-xeP7gNJz-1614954426645)(C:\Users\LENOVO\Desktop\学习笔记\ML\assets\image-20210305140906836.png)]文章目录机器学习1.基本术语1.1 数据1.2 预测任务1.3 分类 & 回归1.4 形式化描述1.5 聚类1.6 学习任务

在这个系列，我将会从零复习机器学习，以下为复习资料。文章目录算法讲解代码实现sklearn实现算法讲解一元线性回归中的一元指的是只有一个自变量回归预测的问题是连续值一元线性回归的目的：要求解这个方程就需要确定两个参数怎么求参数？介绍一个概念叫做代价函数，也叫损失函数，是衡量真实值与预测值误差的一个函数。一元线性回归代价函数如下不用绝对值的原因是无法求导介绍两个系数，了解即可总目标是求两个参数，如何求？因为损失函数是两个参数的函数，所以只要这两个参数让损失函数值最小就是最.

机器学习算法（三）：K近邻(k-nearest neighbors)初探1 KNN的介绍和应用1.1 KNN的介绍kNN(k-nearest neighbors)，中文翻译K近邻。我们常常听到一个故事：如果要了解一个人的经济水平，只需要知道他最好的5个朋友的经济能力，对他的这五个人的经济水平求平均就是这个人的经济水平。这句话里面就包含着kNN的算法思想。示例 ：如上图，绿色圆要被决定赋予哪个类，是红色三角形还是蓝色四方形？如果K=3，由于红色三角形所占比例为2/3，绿色圆将被赋予红色三角形那个类

机器学习算法（二）: 朴素贝叶斯(Naive Bayes)文章目录机器学习算法（二）: 朴素贝叶斯(Naive Bayes)1. 实验室介绍1.1 实验环境1.2 朴素贝叶斯的介绍1.3 朴素贝叶斯的应用2. 实验室手册2.1 学习目标2.2 代码流程2.3 算法实战莺尾花数据集--贝叶斯分类模拟离散数据集--贝叶斯分类2.4 原理简析2.4.1 结果分析2.4.2 朴素贝叶斯算法2.4.3 朴素贝叶斯的优缺点1. 实验室介绍1.1 实验环境1. python3.72. numpy >= '

最近有很多小伙伴问我源代码（其实没有人问），但为了做一个系统的学习教程，我决定将我的代码放到gitee上，欢迎大家star和fork机器学习系统教程最后谢谢大家支持！

机器学习算法（一）: 基于逻辑回归的分类预测1 逻辑回归的介绍和应用1.1 逻辑回归的介绍逻辑回归（Logistic regression，简称LR）虽然其中带有"回归"两个字，但逻辑回归其实是一个分类模型，并且广泛应用于各个领域之中。虽然现在深度学习相对于这些传统方法更为火热，但实则这些传统方法由于其独特的优势依然广泛应用于各个领域中。而对于逻辑回归而且，最为突出的两点就是其模型简单和模型的可解释性强。逻辑回归模型的优劣势:优点：实现简单，易于理解和实现；计算代价不高，速度很快，存储资源低；