szfhy的博客

xgboost需要单独安装pip install xgboost #安装xgboost库pip install --upgrade xgboost #更新xgboost库import xgboost as xgbfrom xgboost import XGBRegressor as XGBRfrom sklearn.ensemble import RandomForestRegr...

import matplotlib.pyplot as pltimport numpy as npheight = [161,170, 182, 175, 173, 165]weight = [50, 58, 80, 70, 69, 65]plt.scatter(height, weight)plt.show()#散点图 随机的，无相关性N = 1000x=np.rand...

画正弦余弦曲线%matplotlib inlinefrom matplotlib import pyplot as pltimport numpy as npX = np.linspace(-np.pi, np.pi, 200, endpoint=True)C, S = np.cos(X), np.sin(X)plt.figure(figsize=(20, 6), dpi=80...

读书笔记import numpy as npimport pandas as pdimport matplotlib.pyplot as pltdata = pd.read_csv('creditcard.csv')#data.head(10)print (data.shape)count_class = pd.value_counts(data['Class'],s...

随时代码，阅读笔记%matplotlib inlineimport matplotlib.pyplot as pltimport numpy as npfrom sklearn import datasetsdigits = datasets.load_digits() # 加载数据# 把数据所代表的图片显示出来images_and_labels = list(zip...

kmeans 无监督的学习方法。需要根据实际业务需要确定K值。加载数据集%matplotlib inlineimport matplotlib.pyplot as pltimport numpy as npfrom time import timefrom sklearn.datasets import load_filesprint("loading documents ....

准备数据集%matplotlib inlineimport matplotlib.pyplot as pltimport numpy as npimport timeimport loggingfrom sklearn.datasets import fetch_olivetti_faceslogging.basicConfig(level=logging.INFO, for...

随书代码，阅读笔记。 线性回归拟合正弦函数%matplotlib inlineimport matplotlib.pyplot as pltimport numpy as npn_dots = 200X = np.linspace(-2 * np.pi, 2 * np.pi, n_dots)Y = np.sin(X) + 0.2 * np.random.rand(n_d...

决策树的使用手册http://sklearn.apachecn.org/cn/0.19.0/modules/tree.html决策树预测结果容易理解，易于解释，预测速度快。基于Entropy的分类：ID3， C4.5，C5.0，运算效率更高，使用内存更小，创建出来的决策树更小，准确性高，适合大数据集的决策树创建；基于gini不纯度：CART，分类回归树。sklear...

关于混淆矩阵，之前看别人的一些教程，感觉作者很牛，图形化显示出来也很酷，最近深挖了一下文档，顿时感觉我们很牛人就间隔一张纸。详细的实现：confusion_matrix顺便添加自己的调试的代码，记个笔记。import numpy as npimport matplotlib.pyplot as pltfrom sklearn import svm, datasetsfrom ...

在机器学习中，当我们基于某个业务建立模型并训练后，接下来我们需要评判模型好坏的时候需要基于混淆矩阵，ROC和AUC等来进行辅助判断。混淆矩阵也叫精度矩阵，是用来表示精度评价，为N *N的矩阵，用来判别分类好坏的指标。混淆矩阵中有以下几个概念：TP(True Positive): 被判定为正样本，实际也为正样本FN(False Negative):伪阴性 ，被判定为负样本，实际为正样...

代码：from sklearn.linear_model import LinearRegression as LRfrom sklearn.model_selection import train_test_splitfrom sklearn.model_selection import cross_val_scorefrom sklearn.datasets import fetc...

代码笔记：from sklearn.datasets import make_blobsfrom sklearn.svm import SVCimport matplotlib.pyplot as pltimport numpy as npX,y = make_blobs(n_samples=50, centers=2, random_state=0, cluster_std=0....

代码笔记：from sklearn.datasets import load_breast_cancerfrom sklearn.svm import SVCfrom sklearn.model_selection import train_test_splitimport matplotlib.pyplot as pltimport numpy as npfrom time im...

代码笔记：from sklearn.linear_model import LogisticRegression as LRfrom sklearn.datasets import load_breast_cancerimport numpy as npimport matplotlib.pyplot as pltfrom sklearn.model_selection import...

代码笔记import matplotlib.pyplot as pltfrom sklearn.datasets import load_irisfrom sklearn.decomposition import PCAiris = load_iris()y = iris.targetX = iris.dataimport pandas as pdpd.DataFrame(X...

from sklearn.datasets import load_breast_cancerfrom sklearn.ensemble import RandomForestClassifierfrom sklearn.model_selection import GridSearchCVfrom sklearn.model_selection import cross_val_scor...

代码笔记%matplotlib inlinefrom sklearn.tree import DecisionTreeClassifierfrom sklearn.ensemble import RandomForestClassifierfrom sklearn.datasets import load_winewine = load_wine()from sklearn....

代码笔记1.导库from sklearn import treefrom sklearn.datasets import load_winefrom sklearn.model_selection import train_test_split2. 加载数据，拆分wine = load_wine()Xtrain, Xtest, Ytrain, Ytest = train_...

随书代码，阅读笔记。KNN是一种有监督的机器学习算法，可以解决分类问题，也可以解决回归问题。算法优点：准确性高，对异常值和噪声有较高的容忍度；算法缺点：计算量大，内存消耗也比较大。针对算法计算量大，有一些改进的数据结构，避免重复计算K-D Tree， Ball Tree。算法变种：根据邻居的距离，分配不同权重。另外一个变种是指定半径。KNN进行分类%matplotlib...

随书代码，阅读笔记载入数据%matplotlib inlineimport matplotlib.pyplot as pltimport numpy as np# 载入数据from sklearn.datasets import load_breast_cancercancer = load_breast_cancer()X = cancer.datay = cancer...

随书代码，阅读笔记。载入数据并准备测试机和训练集# 载入数据from sklearn.datasets import load_breast_cancercancer = load_breast_cancer()X = cancer.datay = cancer.targetprint('data shape: {0}; no. positive: {1}; no. negat...

先上两个code吧#!/usr/bin/env pythonimport cv2import numpy as npimg1 = cv2.imread('box.png', 0)img2 = cv2.imread('box_in_scene.png', 0)orb = cv2.ORB_create()kp1, des1 = orb.detectAndCompute(img1

ORB： Oriented Fast and Rotated BRIEF它是OpenCV_Labs 在2011年提出的，首先它是免费的，而SIFT 和 SURF 是受专利保护，并且要收费的，ORB 是他们的一个替代品，在计算能力比有限的设备上适合这个东西。它的效果： sift > orb > surf, 计算速度 orb > surf > sift#!/usr/bi

BRIEF：Binary Robust Independent Elementary Rreatures占位

SURF: speeded-up robust features是SIFT 的加速版#!/usr/bin/env pythonimport cv2img = cv2.imread('chess.png')gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)surf = cv2.SURF(400)print surf.shapekp,

占位

模式识别的一般步骤是：（1）特征提取（2）根据特征和正负样本训练分类器（3）利用分类器识别HOG就是一个描述图像信息的特征。Histogram of Oriented Gradient, 既方向梯度直方图，在特定梯度方向上的梯度值总和。概念性的东西不说了，下面通过代码详细讲解。HOG特征对图像几何的和光学的形变都能保持很好的不变性，这两种形变只会出现在更大的空间领域上。其次

最初在Opencv的人脸检测中接触到这个特征。占位，

LBP：Local Binary Pattern占位

官方主页：http://yann.lecun.com/exdb/mnist/Google实验室的Corinna Cortes和纽约大学柯朗研究所的YannLeCun建有一个手写数字数据库，训练库有60,000张手写数字图像，测试库有10,000张。训练库train-images.idx3-ubyte，文件大小47040016，每个图像784=28×28，784×60000 =47040

找不到cudnn –lcudnn在[dnn]中配置library_path之后就好了。

随书代码，做些笔记。加载数据集http://mlcomp.org/datasets/379 下载%matplotlib inlineimport matplotlib.pyplot as pltimport numpy as npfrom time import timefrom sklearn.datasets import load_filesprint("loadin...

手册：http://sklearn.apachecn.org/一些视频教程：http://i.youku.com/apachecn 

k近邻算法的核心思想是未标记样本的类别，由距离其最近的k个邻居投票决定。该算法具有准确性高，对异常值和噪声有较高的容忍度等优点。缺点是计算量比较大，内存消耗量也大。Text:code:import numpy as npimport matplotlib.pyplot as pltfrom sklearn.neighbors import KNeighborsRegressorn_dot...

确保本机器已经成功安装了tensorflow, keras, opencv, python3.x下载python codehttps://github.com/xiaochus/YOLOv3下载darknet modelhttps://github.com/xiaochus/YOLOv3  从quick start中下载已经训练好的model,230+M将darknet model转换为h5进入y...

k近邻算法的核心思想是未标记样本的类别，由距离其最近的k个邻居投票决定。该算法具有准确性高，对异常值和噪声有较高的容忍度等优点。缺点是计算量比较大，内存消耗量也大。demo code如下：from sklearn.datasets.samples_generator import make_blobsimport matplotlib.pyplot as pltimport numpy as ...

1、python本课程的机器学习的算法都是基于python语言实现的，所以你需要有一定的python语言基础，可以参考彭亮在麦子学院讲授的“Python语言编程基础”。2、python机器学习的库：scikit-learn特性： 1）简单高效的数据挖掘和机器学习分析 2）对所有用户开放，根据不同需求高度可重用性 3）基于Numpy, SciPy和matplotl

doc mark hereMTCNN 入口代码#coding = gbkimport tensorflow as tfimport numpy as npimport cv2import detect_faceimport time#face detection parametersminsize = 20 # minimum size of facethresh

第一部分 基础语言pandax视频教程链接: https://pan.baidu.com/s/1pLqavVX 密码: fathpython入门到精通链接: https://pan.baidu.com/s/1mhVNIkC 密码: cvp3第二部分 数据篇链接: https://pan.baidu.com/s/1pLK25zP 密码: qtuu第三部分 机器学习部分吴恩