新博客：https://aping-dev.com/

from sklearn import datasetswine = datasets.load_wine() # 导入数据X = wine.data # 特征向量Y = wine.target # 标签import numpy as npprint(np.shape(X), np.shape(Y))(178, 13) (178,)# 把数据分成训练数据和测试数据fr...

需要安装anaconda目的对100种狗进行识别，本文为简化，只对2种狗进行识别。数据组织有100种狗 E:\bd\train\train\train 下面是所有训练集图片 E:\bd\train\val\test1 下是所有验证集图片 E:\bd\train\data_train_image.txt 中存放训练图片–种类信息（以数字表示），格式为： 图片名 种类 url E:\bd\tr

using System;using System.Collections.Generic;using System.Linq;using System.Text;using Wellcomm.BLL.Geometric;namespace Wellcomm.BLL.InternalInterference{ public class Cluster { R

参考 Michael Nielsen. 神经网络与深度学习[M]

参考 彭亮, 深度学习视频

参考 Michael Nielsen. 神经网络与深度学习[M]

参考 Michael Nielsen. 神经网络与深度学习[M]

参考 Michael Nielsen. 神经网络与深度学习[M]

参考 Michael Nielsen. 神经网络与深度学习[M]

参考 Michael Nielsen. 神经网络与深度学习[M]

反向传播

目标：对于一个代价函数，寻找其最小值，即最低点。 方法：x减去当前梯度，即斜率，然后再得到y。 解释：如果当前点是A点，则斜率是正数，减去后x变小，y变小。 如果当前点是B点，则斜率是负数，减去后x变大，y变小。参考 Michael Nielsen. 神经网络与深度学习[M]

参考 杨淑莹. 图像模式识别VC++技术实现[M].

data = importdata('rbf.txt'); %输入文件，只有一列数据，共312个，前252个作为训练nTrain = 252; %训练数据个数nTest = 60; %测试数据个数n = 5; %用5个数据预测第6个%训练 252个i = 1;x =

#include "iostream"#include "string.h"#include "string"#include "map"#include "fstream"#include "set"#include "vector"#include "stdio.h"using namespace std;vector words; //词汇库set s

/*思想： 每次从数据集中根据最大信息增益选取一个最好特征，将数据进行划分，每次划分都会消耗一个特征， 使得特征越来越少，当所有数据集都是同一类，或者消耗完所有特征时，划分结束。 信息熵： Entropy(D) = -sum( p_i * log_2(p_i) ) D为样本集合 1<= i <= 样本D中所包含的类别数

/* 思想： 每个弱分类器的分类结果乘以各自的alpha，相加后得到最终分类结果。 alpha根据每个弱分类器的分类错误率算出，alpha = 0.5 * ln( (1-errorRate) / errorRate ) 本算法中的若分类器为单决策树，在构建单决策树时，会根据加权错误率来衡量其性能 被分错的样本权重高，权重计算：D[i] = D[i] * e^(-1 *

Apriori算法：如果小的项集比较频繁，那么由它组成的大的项集也可能是频繁的； 如果小的项集不频繁，那么由它组成的大的项集必然不频繁。 所以，可以先排除小的不频繁项集，减少搜索空间。#include "iostream"#include "vector"#include "set"#include "string"#include "map"#include "algorithm"

详细过程见： http://blog.youkuaiyun.com/u013405574/article/details/50903987#include "iostream"#include "vector"#include "string.h"#include "time.h"#include "stdlib.h"#include "stdio.h"using namespace std;#d

SVM推导：

LSTM隐层神经元结构： LSTM隐层神经元详细结构： //让程序自己学会是否需要进位，从而学会加法#include "iostream"#include "math.h"#include "stdlib.h"#include "time.h"#include "vector"#include "assert.h"using namespace std;#define

//让程序自己学会是否需要进位，从而学会加法#include "iostream"#include "math.h"#include "stdlib.h"#include "time.h"#include "vector"#include "assert.h"using namespace std;#define innode 2 //输入结点数，将输入2个加数#defi

深度信念网dbn.h #ifndef DBN_H#define DBN_H#include "hiddenlayer.h"#include "logisticregression.h"#include "rbm.h"typedef struct { int N; //训练样例数 int n_ins; //输入单元数 int *hidd

#include <iostream>#include <cmath>#include "stdio.h"#include "stdlib.h"#include "time.h"using namespace std;#define innode 8 //输入结点数#define hidenode 4 //隐含结点数#define outnode 8

协方差矩阵的特征向量为数据传播的方向，特征值为该方向上的幅度。 第二大特征向量正交于最大特征向量，指向第二大数据传播方向。因为只有方阵才能求其特征值与特征向量，所以非方阵Data就只先转化为方阵：Data * （Data的转置），然后求其特征值与特征向量，最后将正的特征值开根号，得到奇异值。#!/usr/bin/python # -*- coding: utf-8 -*- #coding

pca.py#!/usr/bin/python # -*- coding: utf-8 -*- #coding=utf-8from numpy import *def loadDataSet(fileName, delim='\t'): fr = open(fileName) stringArr = [line.strip().split(delim) for line in

fpTree.py#!/usr/bin/python # -*- coding: utf-8 -*- #coding=utf-8from numpy import *class treeNode: def __init__(self, nameValue, numOccur, parentNode): self.name = nameValue #变量名

#!/usr/bin/python # -*- coding: utf-8 -*- #coding=utf-8from numpy import *def loadDataSet(): return [[1,3,4], [2,3,5], [1,2,3,5], [2,5]]#构建集合C1，C1是大小为1的所有候选项的集合def createC1(dataSet): C1 =

kMean.py#!/usr/bin/python # -*- coding: utf-8 -*- #coding=utf-8from numpy import *#导入数据def loadDataSet(fileName): dataMat = [] fr = open(fileName) for line in fr.readlines(): c

draw.py#!/usr/bin/python # -*- coding: utf-8 -*- #coding=utf-8from numpy import *from Tkinter import *import regTreeimport matplotlibmatplotlib.use('TkAgg') #设置后端为TkAggfrom matplotlib.backends

输入数据与目标变量之间为非线性关系时，可用树回归，使用树对预测值分段，包括分段常数、分段直线，前者为回归树，后者为模型树。若数据过拟合，需剪枝。测试：回归树>>> import regTree>>> myDatl = loadDataSet('ex0.txt')>>> myDatl = mat(myDatl)>>> createTree(myDatl){'spInd': 1, 'spVal'

标准回归 #!/usr/bin/python # -*- coding: utf-8 -*- #coding=utf-8from numpy import *#导入函数#前几行为x，最后一行为ydef loadDataSet(fileName): numFeat = len(open(fileName).readline().split('\t')) - 1 dataM

adaBoost.py#!/usr/bin/python # -*- coding: utf-8 -*- #coding=utf-8from numpy import *def loadSimpleData(): datMat = matrix([[1., 2.1], [2., 1.1], [1.3, 1

svmMLiA.py#!/usr/bin/python # -*- coding: utf-8 -*- #coding=utf-8from numpy import *from time import sleep#加载数据#打开文件并逐行解析，从而得到每行的类标签和整个数据矩阵def loadDataSet(fileName): dataMat = [] labelMa

#!/usr/bin/python # -*- coding: utf-8 -*- #coding=utf-8from numpy import *#打开文本文件并逐行读取，每行前两个值为x1,x2，第3列为类别标签#为方便计算，将x0设为1.0def loadDataSet(): dataMat = []; labelMat = [] fr = open('testSe

在bayes.py中添加#朴素贝叶斯词袋模型def bagOfWords2VecMN(vocabList, inputSet): returnVec = [0]*len(vocabList) for word in inputSet: if word in vocabList: returnVec[vocabList.index(word)]

准备数据，从文本中构建词向量#!/usr/bin/python # -*- coding: utf-8 -*- #coding=utf-8from numpy import *#词表到向量的转换函数#数据来自斑点犬爱好者留言板def loadDataSet(): postingList = [['my', 'dog', 'has', 'flea', \

#!/usr/bin/python # -*- coding: utf-8 -*- #coding=utf-8from math import logimport operator#创建数据集def createDataSet(): dataSet = [[1, 1, 'yes'], [1, 1, 'yes'], [1

在上上篇”k-近邻分类算法“添加如下代码#将32*32图像矩阵转换为1*1024向量def img2vector(filename): returnVect = zeros((1, 1024)) fr = open(filename) for i in range(32): lineStr = fr.readline() for j in r