u013720726的博客

Python与机器学习（二）无监督学习无监督学习 概念：利用无标签的数据学习数据的分布或数据与数据之间的关系被称为无监督学习。有监督学习和无监督学习的最大区别：数据是否有标签无监督学习最常应用的场景：聚类和降维聚类： 就是根据数据的”相似性”将数据分为多类的过程。sklearn库提供的常用聚类算法函数包含在sklearn.cluster这个模块中，如:K-Means,近邻传播算法，DB

Python与机器学习评价 机器学习是当下最流行的人工智能技术方法Python是当下最流行的科学计算语言机器学习的目标 机器学习是实现人工智能的手段，其主要研究内容是如何利用数据或经验进行学习，改善具体算法的性能。主要涉及的学科 概率论、统计学、算法复杂理论机器学习的分类： 监督学习无监督学习强化学习半监督学习深度学习Scikit-learn的概述 一组简单有效的工具集

监督学习概念： 利用一组带标签的数据，学习从输入到输出的映射，然后将这种映射关系应用到未知数据上，达到分类或回归的目的。分类：当输出是离散的，学习任务为分类任务回归：当输出是连续的，学习任务为回归任务分类学习 输入：一组有标签的训练数据，标签表明了这些数据的所属类别输出：分类模型根据这些训练数据，训练自己的模型参数，学习出一个适合这组数据的分类器，当有新数据需要进行类别判断，就可以将这

Python基本语法注释 单行注释：#多行注释：用”’或”“”对包含import： 函数用法：import (name[, globals[, locals[, fromlist[, level]]]])函数介绍：用于动态加载类和函数name (required): 被加载 module 的名称globals (optional): 包含全局变量的字典，该选项很少使用，采用默认值 g