Xmumu_的博客

补博客持续更新中????????????????????不断更不断更????????????文章目录简单案例来啦红酒质量的判断问题读入数据用散点图考察个别数据关系得到所有的变量X和变量Y先选择一个简单模型进行拟合和评估详细评估（交叉验证）多模型的尝试和选择简单案例来啦下面举一个简单的例子哈????????????import numpy as npimport matplotlib.pyplot as pltfrom sklearn.linear_model import LinearReg

交叉验证主要就是处理一个问题：在我们训练数据、评估数据的时候，我们该采取什么样的形式，最不好的情况就是直接抽取样本前百分之几作为训练，后百分之几作为评估，这样子的话最终的结果有偶然性，不够准确！我们会认为每次抽取数据（不管是训练数据还是评估的数据）都是随机抽取的，这样子话最终的结果的可信度才足以服众，那么这就是交叉验证的原因准备数据在这里，我用的是我学校的电脑里的数据，比较方便演示交叉验证——K折叠这个工具是帮助我们选择一个适合的模型的一个工具...

周末补一下这星期机器学习的知识点????欢迎别忘了点赞关注噢????????????文章目录吹个水????什么是管道(Pipeline)?????看案例????参数????基于管道(pipeline)的模型观察????吹个水????什么是管道(Pipeline)?????管道就是说，你在分析数据的时候可能会有好几个预处理、或者说你可能有好几个model，那么你每次想调用这个过程的时候，每次都要写这么多预处理和model的过程的话就显得很繁琐，所以这里出现了“管道”的概念，它把这些过程相

大家好呀呀呀，这里是X，机器学习脚步不能停！！！????????????这篇博客必搞懂在机器学习里这两者的区别和联系,欢迎收藏~✨文章目录光速理解他们两个之间的概念多元线性多项式回归神奇Pizza????多元线性回归时多项式回归时（考虑一元情况）PolynomialFeatures转换器用法光速理解他们两个之间的概念多元线性我们把包括两个或两个以上自变量的回归称为多元线性回归再说一次什么是“回归”：我们想知道两个变量之间的关系，我们可以用直线的斜率来表示X和Y，那么由图中的点确定线的这样

我是知识的搬运者????hhhhhttps://zhuanlan.zhihu.com/p/152408012

大家好这里是X，上个星期的机器学习忘记更新知识点了，实属抱歉，这一周算是将上一周的一起汇总了，知识点都是相通的，都是线性回归问题????????????除了知识点还有一些老师在上课的杂七杂八的知识，有点乱，大家不要见外????????多元线性回归——基础波士顿问题波士顿房价与以下因素有关：同样我们转化成机器学习过程：1、明确任务线性回归任务2、数据个数两个—>X,Y3、评估4、训练拟合------预测-----评估train_test_split()用来划分数据块–>

大家好，这里是X????????????如果你对train_test_split方法不理解的话，就赶紧往下看吧~~文章目录前言函数样式+参数解释参数默认设置主要参数说明：*arrays：可以是列表、numpy数组、scipy稀疏矩阵或pandas的数据框test_size：可以为浮点、整数或None，默认为Nonetrain_size：可以为浮点、整数或None，默认为Nonerandom_state：可以为整数、RandomState实例或None，默认为Nonestratify：可以为类似数组或No

hello，大家好这里是X，不说了不说了，赶博客赶博客！！！冲压！！对了，现在秋天来了，大家要注意添衣噢????????????????文章目录介绍OLSRSS求法α\alphaα和β\betaβ的求法目标介绍OLSOLS即为：普通最小二乘法（ordinary least squares ），它是使得全部观察值的残差平方和最小的一种参数估计方法，在回归分析中应用最为广泛。现在回想简单线性回归是由方程：y= α\alphaα+β\betaβxα\alphaαβ\betaβ这里X说一句X看到

大家好，这里是X，新的一周开始了，机器学习课程也同样开始了????

大家好，这里是X，好久不见喽，今天带来机器学习有关简单线性回归的问题示例解析，望大家学的开心????????????也算是补了这个星期的机器学习内容了，大家加油哦题目????数据文件是两支斗地主队伍(A/B)的模拟比赛结果。每支队伍有三位成员，分别负责地主(L)、地主上家(U)、地主下家(D)智能。每局比赛同样的发牌结果比赛两次，一次用A队的L与B队的U、D组成比赛，一次用B队的L与A队的U、D组成比赛，计算两队的得分差作为当局结果。每100局记录一次累计结果，现在想要预测10000局时候的分数?

这里是X机器学习第一课不要企图用机器学习去适应所有功能，只能用机器学习来完成某一具体“任务”机器学习最常见的例子就是人脸识别了，人脸识别的可靠性从哪里看出来呢，就是“银行”，众所周知，银行肯定是最需要可靠性工具的地方，现在很多银行取卡或者做一些工作的时候都必须进行人脸识别，也可想而知人脸识别的可靠性，包括像手写识别等的各种不同的识别功能都属于机器学习的一部分????????????我们该如何完成这些任务，我们要做的就是将很多具体的问题转换成抽象问题(数值化)这个到底是什么问题，这个问题可以看

大家好，这里是X，今天来讲一下机器学习中非常重要的魔法语句%matplotlib inline????????????打开Jupyter Notebook，一般%matplotlib inline就是加在你的语句块的第一句，作用就是将你要做的语句以图的形式显示出来，不加这一句就不会显示了例如：# 设置 inline 方式，直接把图片画在网页上%matplotlib inline# 导入必要的库import numpy as npimport matplotlib.pyplot as plt