weixin_43606419的博客

本文内容为学习麻瓜编程python–实用主义教学之后，整理的学习笔记，作为复习的资料，后边有知识遗落的时候回来看看。 麻瓜编程官网 https://www.mugglecode.com/ 数据集（详细描述见下方）提取地址：https://video.mugglecode.com/fruit_data.csv 第一篇 机器学习–手工实现水果分类器 文章概览 什么是机器学习？ 水果分类器是怎么...

对于分类模型的评估，除了使用estimator.score()来获取正确分类的百分比，还可以从其他的角度来进行分析，比如：混淆矩阵、精准率、召回率、F1-score等。除此之外，我们调节超参数可以使用网格搜索。 参考： 黑马传智播客机器学习入门视频 本文代码片段基于上篇文章–knn实现鸢尾花分类 目录 1、分类模型的评估 2、交叉验证以及网格搜索 1、分类模型的评估 01 混淆矩阵 from...

逻辑回归2_线性不可分问题 问题简述：经过两次测试，你要决定是否芯片要被接受或抛弃 目录 1、读取文件 2、可视化数据 3、特征映射（有补充知识点） 4、准备数据集 5、激活函数 6、损失函数 、加入了正则化，避免过拟合 7、初始化theta 和lamda 8、梯度下降、加入正则化 9、设置超参数 10、预测函数 11、准确率 12、拟合函数可视化 import numpy as np imp...

逻辑回归1_线性可分问题 问题描述:根据学生的两门学生成绩，预测该学生是否会被大学录取 目录 1、加载数据集 2、可视化数据集 3、添加列 4、提取特征与标签 5、定义sigmoid函数 6、损失函数 7、梯度下降 8、预测 9、准确率 10、决策边界（补充知识点） import numpy as np import pandas as pd import matplotlib.pyplot ...

之前那篇文章，手工打造 1-NN 的算法，来实现水果的分类； 今天来主要总结一下 k-NN的算法原理，以及基于 sklearn 实现鸢尾花分类。 目录 1、k近邻算法原理 2、优缺点分析 3、应用——鸢尾花分类 一、k近邻算法原理 原理图参考 机器学习100天——第7天k-NN k近邻是一种简单的但也常用的分类算法，也可以应用到回归计算。 k近邻是无参数学习，没有假设函数，它是基于实例的，在一...

照着bilibili上，一位小姐姐

结合ng的机器学习课程–线性回归部分，整理了如下的笔记，包括：线性回归模型、假设函数、代价函数、梯度下降应用于线性回归、正规方程求解、多项式回归等知识点，以及各部分的代码实现。 不基于sklearn，纯用numpy和pandas来实现的线性回归，可以查看吴恩达老师机器学习课程的课后作业。 目录 1、线性回归问题描述 2、代价函数 3、梯度下降 4、梯度下降应用于线性回归 5、正规方程 6、基于s...