weixin_45645281的博客

问题背景：多分类问题，输入参数为8组特征值，采用Excel表格导入，输出参数为5种不同的分类结果。数据量为1000组左右，训练组与测试组保持为7:3。 BP神经网络模型：隐藏层计算为10层，达到最大准确率，且时间较短。 学习率更新公式： 损失函数更新公式： 有几个超参数需要提前设置好，根据自己的问题背景环境。 import numpy as np import datetime import xlrd import matplotlib.pyplot as plt fro..

softmax多分类 # X(x1,x2) y(0/1/2/3) import numpy as np import matplotlib.pyplot as plt np.random.seed(1) #高斯模型 x_1 = np.random.normal(-3,1,size=100) x_2 = np.random.normal(-3,1,size=100) y=np.zeros(100) c0 = np.array([x_1,x_2,y]).T #0分类 x_1 = np.random.no

SGD：随机梯度下降在每次更新的时候，只考虑了一个样本点，这样会大大加快训练数据，也恰好是批梯度下降的缺点，因为不一定每次都朝着梯度下降的方向。 BGD：批量梯度下降每次更新都使用了所有的样本数据，朝着最小值迭代运动的，缺点就是速度很慢。 MBGD：综合批量梯度下降法和随机梯度下降法的优点。 线性回归 这里只是测试了一元线性回归，还有多元线性回归。 初始数据集是：y = 2 * x + 随机噪声 import numpy as np import matplotlib.pyplot as plt from

1)去平均值：(即去中心化)。 2) 计算协方差矩阵。 3) 计算协方差矩阵的特征值与特征向量。 4) 对特征值从大到小排序，选择其中最大的K个。然后将其对应的k个特征向量分别作为行向量组成新的特征向量矩阵。 5) 利用新的特征向量矩阵重构原始图像。 import numpy as np import cv2 as cv from sklearn import decomposition # 数...

先将图片数据转换，然后利用KMeans图像分割，得到背景和前景， 通过遮罩进行模糊滤波和形态学操作，最后输出通道。 import cv2 as cv import numpy as np #读取数据 img=cv.imread("D:/testimage/ID.jpg") h,w,c=img.shape simplenum=h*w #将图片转换为点保存 points=np.zeros((simp...

在机器学习里面，聚类属于无监督学习的算法。实现步骤： 1、准备数据（随机样本） 2、初始化K个聚类中心 3、迭代聚类并进行聚类中心更新 4、结果可视化 一、数学模型 import numpy as np import matplotlib.pyplot as plt #计算欧式距离 def euclDistance(V1, V2): return np.sqrt(sum((V2 - V1...

步骤： （1）：准备正负样本数据和测试样本； （2）：对样本数据进行简单的图像预处理，并加上标签分类； （3）：选用合适的SVM参数，对整个样本集进行训练得到SVM模型； （4）：根据SVM模型对测试样本进行测试。 准备样本： 正样本：500；负样本：700；测试样本：10。（样本大小为64128：宽高） positive： negative： test： 实现代码： import dat...

步骤： （1）：计算测试数据与训练数据之间的距离； （2）：按结果距离排序 （3）：选取距离最小的K个点 （4）：确定此K个样本中各个类别的频率 （5）：将频率最高的作为预测分类的结果 样本数据集：0、1、2、3。分别是黑夜、激光、CXK、山水 以上有三种方法，参考其他博主。 import datetime starttime=datetime.datetime.now() import num...