weixin_44387515的博客

主题：朴素贝叶斯 类别：个人机器学习笔记（数学推导见上传的手写PDF） 书籍参考：《机器学习实战》、《统计学习》、《机器学习》 import numpy as np import pandas as pd import math 创建数据集： def createDataXG20(): data = np.array([['青绿', '蜷缩', '浊响', '清晰', '凹陷', '硬滑'] , ['乌黑', '蜷缩', '沉闷', '清晰', '凹陷',

类别：个人机器学习笔记（数学推导见上传的手写PDF） 书籍参考：《机器学习实战》、《统计学习》、《机器学习》 任务： 学习线性SVM和非线性SVM的梯度下降方法。选取合适的参数（e.g. C=10, eta=0.001, sigma=0.1）,并利用gaussian核进行上述数据集的非线性svm分类 import numpy as np import matplotlib.pyplot as plt from sklearn.datasets import make_moons #数据初始化 m = 20

类别：个人机器学习笔记（数学推导见上传的手写PDF） 书籍参考：《机器学习实战》、李航《统计学习》、周志华西瓜书《机器学习》 目标： 1）尝试理解smoSimple的核心原理，对关键步骤做出注释。 2)导入data.txt,利用smoSimple找到对应的支撑向量。 3)求出对应的支撑线和分界线,并和原始数据集一起绘制在同一图例中。 import matplotlib.pyplot as plt from numpy import * import numpy as np import warnings

类别：机器学习个人学习笔记 算法：神经网络 数据：月亮数据集，Python自带 书籍：《机器学习实战》、周志华西瓜书《机器学习》、李航《统计学习方法》 import numpy as np import numpy as np import warnings from sklearn.datasets import load_digits from sklearn.metrics import confusion_matrix, classification_report from sklearn.p

类别：个人机器学习笔记（数学推导见上传的手写PDF） 书籍参考：《机器学习实战》、《统计学习》、《机器学习》 任务：结合离散决策树的判别准则和连续型决策树的特征选取方法，生成下面数据的连续型分类树 #调用一些包 import numpy as np import math import matplotlib.pyplot as plt plt.rcParams['font.sans-serif']=['SimHei'] plt.rcParams['axes.unicode_minus'] = False

类别：机器学习个人学习笔记 参考书籍：《机器学习实战》、统计学习、西瓜书 任务： 1.针对西瓜数据集，通过信息增益，信息增益率和Gini指数分别得到决策树的根节点。 2.补充上述代码（或自行完成代码编写），针对上述西瓜数据集，用信息增益作为决策准则，生成相应的决策树，输出对应的决策树决策过程， #调用一些包 import numpy as np import math import matplotlib.pyplot as plt plt.rcParams['font.sans-serif']=['Sim

类别：机器学习个人笔记 参考书籍：《统计学习》、《机器学习实战》、周志华大佬的西瓜书 相关数学公式推导见我上传的手写PDF 任务： 学习《机器学习实战》P78页及P79页程序清单5-1和5-2，完成以下问题： 1）导入数据集’testSet.txt’,用logistic回归训练数据集，并画出决策边界。 2）导入数据集’data.txt’,用logistic回归训练数据集，并画出决策边界。 # 导包 from numpy import * import pandas as pd import numpy as

参考书籍： 《机器学习实战》 相关数学推导知识笔记见我上传的手写pdf 任务： 1）读取数据集’abalone.txt’,输出线性回归最佳参数以及预测值和真实值的误差平方和。 2）读取数据集’ex0.txt’,将数据集分成合适的训练集和测试集，用局部线性回归模型训练数据，选取你认为最佳sigma数值，并说明原因。 提示：分离训练集和测试集代码可参考。 from numpy import * import matplotlib.pyplot as plt def loadDataSet(fileName)

一.理解什么是K-means算法 1.算法过程： （1）随机选取K个对象作为初始聚类中心； （2）将数据样本集合中的样本按照最小距离原则分配到最邻近聚类； （3）根据聚类的结果，重新计算K个聚类的中心，并作为新的聚类中心； （4）重复步骤2.3直到聚类中心不再变化。 2.数学表达式： n：样本数。 k：样本分为k类。 rnk：第n个样本点是否属于第k类，属于则rnk=1， 不属于则rnk=0。 ...