sinat_33829806的博客

#coding=utf8''' 1、定义距离 计算两个样品的距离，最开始每一个自成一类 2、找出非对角线最小元素，合并一类 3、递推，构造新矩阵 重复2的过程 4、重复2、3 直到所有元素都被合并'''import timeimport mathimport typesclass HCM: def __init__(self,data):

SVM.py#coding=utf-8""" 主要思想及算法流程来自李航的《统计学习方法》 《理解SVM的三重境界》 yi={1,-1} 难点： KKT条件 SMO算法"""import timeimport randomimport numpy as npimport mathimport copya=np.m

#coding=utf-8#本质是基于密度的检测 缺点：计算量巨大#优化 重复点计算import mathprint sorted([1,3,2])[:1],[1,3,2][1:]class LOF: def __init__(self,data,k,threshold): self.data=data self.k=k self.th

#encoding:utf-8##基本绘图#import numpy as npimport cv2import cv2.cv as cvclass Parent: def __init__(self,k,d): self.k=k self.d=dclass DrawTree: def __init__(self,

#coding=utf-8#每个类先事先划分属性 数据结构定义为[[[类1，类2，...],结果],...(样本n)]#ID3算法 比较最大增益 增益越大 说明该分类器商相对越小#,分类越显著（概率比越大，类别对结果的影响越大）"""上面为了简便，将特征属性离散化了，其实日志密度和好友密度都是连续的属性。对于特征属性为连续值，可以如此使用ID3算法：先将D中元素按照特征属性排序，则每两

#coding=utf-8#每个类先事先划分属性 数据结构定义为[[[类1，类2，...],结果],...(样本n)]#ID3算法 比较最大增益 增益越大 说明该分类器商相对越小#,分类越显著（概率比越大，类别对结果的影响越大）"""上面为了简便，将特征属性离散化了，其实日志密度和好友密度都是连续的属性。对于特征属性为连续值，可以如此使用ID3算法：先将D中元素按照特征属性排序，则每两

最小二乘法#coding=utf8from numpy import *class Min2c: def __init__(self,data): self.data=data self.result=self.__min2c() def __min2c(self): self.Y=mat([self

import numpy as npfrom scipy.linalg import solveclass Fisher: def __init__(self,data,clas,inpu): self.data=data self.clas=clas self.inpu=inpu self.result=self.__get

#coding=utf8class Bayes: def __init__(self,data,inpu): self.data=data self.inpu=inpu self.lable=[self.data[i][1] for i in range(len(self.data))] self.score,self.res

学习改编自 莫烦Python Qlearning学习教程import numpy as npimport timenp.random.seed(2) # reproducibleN_STATES = 6 # the length of the 1 dimensional worldACTIONS = ['left', 'right'] # available actionsE

#coding=utf8''' 算法流程： 输入：k, data[n];（1） 选择k个初始中心点，例如c[0]=data[0],…c[k-1]=data[k-1];（2） 对于data[0]….data[n], 分别与c[0]…c[k-1]比较，假定与c[i]差值最少，就标记为i;（3） 对于所有标记为i点，重新计算 c[i]={ 所有标记为i的data[j]之和}/标记为i 的个数

BP神经网络是机器学习的重要研究方向 也是深度学习的基石 先上效果图功能如下：可视化神经网络拓扑关系 可视化权值 偏置值 测试结果曲线测试 预测 归一化数据 等功能可选择的激活函数 动量因子 batch size性能指标和误差指标 训练时可见模型加载保存Net.txtNetrules:rulesRandom ***Layer 0 *****typ: