tgj891的博客

第四章基于概率论的朴素贝叶斯分类本章主要讲基于概率论的分类方法：朴素贝叶斯分类，这里本人只是简单进行了梳理，以及代码分享。算法介绍测试代码import osimport numpy as npclass Bayes: def __init__(self): pass def CreateDataSet(self): dataset = [ ["my", "dog", "has", "flea", "problems"

第三章决策树本章主要讲决策树的概念、适用领域、数据集的划分和决策数的构建，这里本人只是简单进行了梳理，以及构建决策树的代码分享。算法介绍信息熵集合信息的度量方式简称熵，信息的期望值，下面是计算熵的计算公式：其中n是类别数，p(xi)是该类别的概率。条件熵其中pi=P(Y|X=xi)的概率。信息增益详细介绍可以参考链接：https://zhuanlan.zhihu.com/p/41134986ID3算法详细参看链接：https://blog.youkuaiyun.com/weixin_43

第二章k邻近算法（机器学习实战）本章主要介绍k邻近算法的基本原理，并附上测试用例代码。算法介绍测试代码测试一简单的算法测试代码，kNN_1.py。from numpy import *def createDataSet(): group = array([[1.0, 1.1], [1.0, 1.0], [0.0, 1.0], [0.0, 1.1]]) label = array(['A', 'A', 'B', 'B']) return group, labeld