Velpro778的博客

机器分类中，朴素贝叶斯分类简单又好用。 案例如下：给某论坛的评论中识别语句，屏蔽掉侮辱性词汇。 操作步骤如下： 在 文本数据转向量 即词表向量转成数组向量，规定0是非侮辱性词汇，1是侮辱性词汇。 这里先加载几个评论，（在预处理中可以用split()的方法，先把整个句子拆分成 以单词为单位的词表。这里不多叙述。） 先提前引入一些计算数组的小零件 from numpy import ones, log，array from numpy.ma import zeros def loadDataset():

在样本数量不是很多的情况下，想要检验拟合一个完美的模型。最常见的方法就是K折交叉检验。 写一个住房数据案例 # 先把数据分成k个部分，把其中一个部分用作测试集，把其余部分用作训练集以拟合模型 # 模型拟合好之后，使用测试集进行 测试，并计算误差。不断重复这个过程，知道k个部分都测试过。 # 模型的最终误差是所有模型的平均值 import pandas as pd housing=pd.read_csv('housing_renamed.csv') from sklearn.model_selection