sunyutian1998的博客

利用sklearn中的数据集手动实现：import numpy as npfrom sklearn.datasets import load_digitsfrom sklearn.preprocessing import LabelBinarizerfrom sklearn.model_selection import train_test_splitimport warningsimport randomwarnings.filterwarnings('ignore')random.s

学习参考《统计学习方法》现存疑惑：对于书中解释需进一步理解代码如下：import numpy as npfrom matplotlib import pyplot as pltnp.random.seed(0)X=np.r_[np.random.randn(20,2)-[3,3],np.random.randn(20,2)+[3,3]]Y=20*[-1]+20*[1]w,b=[0.0,0.0],0.0step=0.01while True: p=-1.

具体数学原理参考《统计学习方法》在学习过程中有疑惑如下：一直想不明白为什么式7.11中的分子没有用并且可以被当作常数下面的解释是当w与b同比例变换时，函数间隔（即分子）亦会同比例变换。的确是这样，自己纸上写一下就好。但是为什么w和b一定要同比例变换？如果不同比例的话上述结论就不成立了啊？后来自己想到的解释是：我们最终要求的参数是w和b，而w和b组合在一起就代表了一个平面。对于整个问题而言，我们要找的就是一个可以是几何间隔最大的超平面，可以大体表示为y=f(x)的形式，其中x代

听了好几年的K近邻算法 今天终于接触到了原理很简单 讲样本映射为多维空间中的点无标签新样本 由空间中与其最近的K个点中数量最多的标签来定义以下为暴力实现 高效算法留坑from sklearn import datasetsdef cmp(elem): return elem[0]iris=datasets.load_iris()data=iris.datatarget=iris.targetnum_data,num_feature=data.shapenum_ta

import csvimport random as rdimport matplotlib.pyplot as pltInf=1e9data=csv.reader(open("dataII.csv","r"))L=list(data);X=[];Y=[]for row in L: X.append(float(row[0]));Y.append(float(row[1]))N=len(X);step=0.0001#a=rd.uniform(-Inf,Inf...

参考https://b23.tv/aUuSF7import pandas as pdimport numpy as npimport random as rdimport matplotlib.pyplot as pltfrom sklearn.linear_model import LinearRegressiondata=pd.read_excel("data.xlsx")features=data["X"].values.reshape(-1,1)target=data.

贝叶斯分类是数学性较强的分类方法，在处理多属性问题的分类时，主要用到下面两个公式：第二个公式之所以成立，是因为在贝叶斯分类中进行了各属性均与分类标签独立的假设。即X与Ci独立，则有：，，import randomimport numpy as npfrom math import efrom math import powfrom sklearn.datasets import load_irisiris=load_iris()n_tot,n_attr=iri..