智的博客

naddary结构总结属性使用以下函数可以打印出数组的属性属性名字属性解释ndarray.shape数组维度的元组ndarray.ndim数组维数ndarray.size数组中的元素数量ndarray.itemsize一个数组元素的长度（字节）ndarray.dtype数组元素的类型形状一维二维三维类型print(type(数组.dtype))#<type 'numpy.dtype'>名称描述简写

ndarray中保留小数的方法np.set_printoptions()np.around()前言：作者：神的孩子在跳舞本人是刚开始学机器学习的小白，以下都是我的学习笔记，有一些是我自己理解的话，所以可能有不对的地方或者有些话只适合我自己理解（仅供参考），不对的希望大家能指出来，另外我创建了一个机器学习交流群903419026，各位跟我一样的小白可以进来多交流交流，互相促进，大佬看见了可以进来指导一下（狗头）。导入包import numpy as npnp.set_printoptions

欠拟合和过拟合一. 定义二 .过拟合2.1 正则化三. 欠拟合四. 维灾难通俗理解：通过判断一个高级物种是不是人类来进行解决的，通过学习有眼睛，有鼻子有嘴巴就是人类，结果出来一只猫我们也判断是人类，那么这就叫欠拟合，然后我们在训练，接下来在添加皮肤是黄色的就是人类，结果过来一个非洲大哥，判断为不是，这就是过拟合一. 定义过拟合：一个假设在训练数据上能够获得比其他假设更好的拟合， 但是在测试数据集上却不能很好地拟合数据，此时认为这个假设出现了过拟合的现象。(模型过于复杂)欠拟合：一个假设在训练数据上

线性回归一. 介绍1. 1 线性回归API介绍——LinearRegression二. 线性回归的损失和优化2.1 全梯度下降算法（FG）2.2 随机梯度下降算法（SG）2.3 小批量梯度下降算法（mini-batch）2.4 随机平均梯度下降算法（SAG）三. 波士顿房价预测——正规方程（线性回归）3.1 获取数据3.2 数据基本处理3.3 特征工程 标准化3.4机器学习（线性回归）3.5 模型评估四 波士顿房价预测——梯度下降（SGDRegressor）4.1 修改一下机器学习4.2 重新模型评估五.

使用KNN算法对鸢尾花种类预测一. 数据集介绍1.1 小数据集获取 load_*1.2 大数据集获取 fetch_*1.3 查看数据分布 seaborn画图的二. 数据集的划分三. 特征工程3.1 归一化处理MinMaxScaler3.2 标准化 StandardScaler四. 流程实现4.1 导包4.2获取数据集4.3 数据基本处理4.4 特征工程4.5 机器学习KNN算法进行模型训练4.6 模型评估五. KNN算法总结悄悄介绍自己：作者：神的孩子在跳舞本人是快升大四的小白，在山西上学，学习的是

K近邻算法一. 简介二. KNN算法API使用2.1 导入Scikit-learn工具2.2 k-近邻算法API案例悄悄介绍自己：作者：神的孩子在跳舞本人是快升大四的小白，在山西上学，学习的是python方面的知识，希望能找到一个适合自己的实习公司，哪位大佬看上我的可以留下联系方式我去找您，或者加我微信chenyunzhiLBP一. 简介简单理解：以你为起点找到最接近你的那个点定义：如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个