水滴的专栏

感知机(PLA: Perceptron Learning Algorithm)感知机就是模拟这样的大脑神经网络处理数据的过程。感知机模型如下图：感知机是一种最基础的分类模型，前半部分类似于回归模型。感知机最基础是这样的函数，而逻辑回归用的sigmoid。这个感知机具有连接的权重和偏置找到函数u的自变量w及参数b使用playground 那么在这整个分类过程当中，是怎么做到这样的效果那要受益于神经网络的一些特点要区分一个数据点是橙色的还是蓝色的，你该如何编写代码？也许你会像下面一样任意画一

鸢（ yuān ）尾花种类预测使用K-Nearest Neighbor（KNN）算法对鸢尾花的种类进行分类，并测量花的特征。鸢尾花种类Iris数据集是常用的分类实验数据集，由Fisher, 1936收集整理。Iris也称鸢尾花卉数据集，是一类多重变量分析的数据集。关于数据集的具体介绍：scikit-learn数据集介绍scikit-learn数据集APIsklearn.datasets加载获取流行数据集datasets.load_*()获取小规模数据集，数据包含在datasets里da

机器学习-KD树k近邻法最简单的实现是线性扫描（穷举搜索），即要计算输入实例与每一个训练实例的距离。计算并存储好以后，再查找K近邻。当训练集很大时，计算非常耗时。kd树简介根据KNN每次需要预测一个点时，我们都需要计算训练数据集里每个点到这个点的距离，然后选出距离最近的k个点进行投票。当数据集很大时，这个计算成本非常高，针对N个样本，D个特征的数据集，其算法复杂度为O(DN2)O(DN^2)O(DN2)。kd树：为了避免每次都重新计算一遍距离，算法会把距离信息保存在一棵树里，这样在计算之前从树里查询

机器学习K-近邻算法（KNN）概念如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。来源：KNN算法最早是由Cover和Hart提出的一种分类算法距离公式两个样本的距离可以通过如下公式计算，又叫欧式距离距离公式的基本性质在机器学习过程中，对于函数 dist(., .)dist(.,.)，若它是一"距离度量" (distance measure)，则需满足一些基本性质:非负性：dist(X_i,X_j) >= 0

房源数据分析将租房网站租房数据作为参考，分析统计如下指标：统计每个区域的房源总数量，并使用热力图分析房源位置分布情况。使用条形图分析哪种户型的数量最多、更受欢迎。统计每个区域的平均租金，并结合柱状图和折线图分析各区域的房源数量和租金情况。统计面积区间的市场占有率，并使用饼图绘制各区间所占的比例。导入需要包import matplotlib.pyplot as pltimport numpy as npimport pandas as pdimport seaborn as sns

实现基本绘图功能导入所需库import matplotlib.pyplot as pltimport random绘制基本图像x = range(60)y_shanghai = [random.uniform(20, 50) for i in x]# 1.创建画布plt.figure(figsize=(20, 8), dpi=100)# 2.绘制图像plt.plot(x, y_shanghai)# 3. 显示图像plt.show()​​添加其他修饰功能x = ran

Jupyter notebook修改文件默认存储路径安装Anaconda后，新建文件的默认存储路径一般在C:\Users\用户名输入以下脚本，查看当前jupyter文件默认保存路径Anaconda Prompt输入命令jupyter notebook --generate-config查看jupyter book配置文件位置，默认为C:\Users\用户名\.jupyter\jupyter_notebook_config.py打开jupyter_notebook_config.py配置文件

算法分类分类与聚类Classification (分类)：给定一堆样本数据，以及这些数据所属的类别标签，通过算法来对预测新数据的类别。（有先验知识）对于一个 classifier ，通常需要你告诉它“这个东西被分为某某类”这样一些例子，理想情况下，一个 classifier 会从它得到的训练集中进行“学习”，从而具备对未知数据进行分类的能力，这种提供训练数据的过程通常叫做 supervised learning (监督学习)Clustering(聚类)：事先并不知道一堆数据可以被划分到哪些类，