GOON

import sys import random as rnd #strategy=sys.argv[1]# must be 'stick','choose',or 'switch' def Solve(strategy):     wins = 0     for trail in range(100):     #The price is always in envelop 0..

Principal Components Analysis（主成分分析法） Description Performs a principal components analysis on the given data matrix and returns the results as an object of class prcomp.（对给定的数据矩阵执行PCA分析，通过prcomp的一个对

#数据来自UCI Machine Learning知识库的Iris数据集 #紧邻算法，通过计算测试集与训练集上诉特征之间的距离，分类，《Data Analysis with open Source Tools》中没有产生上述图的程序，所以，也模拟了下上述图形，但是暂#时没有平滑效果 from numpy import * import matplotlib.pylab as pl t

import Pycluster as pc import numpy as np import sys import matplotlib.pylab as pl #Def our distance function :maximum norm def dist(a,b): return max(abs(a-b)) #Read data filename and desired numb

import Pycluster as pc import numpy as np import sys import matplotlib.pylab as pl # Read data filename and desired number of clusters from command line filename, n = sys.argv[1], int( sys.argv[2] )

pl.legend()函数是显示图例，值得注意的是，plot函数，是通过点在坐标中出现的位置直线，如x=(1,4,3),y=(1,5,2),则先连接(1,1)和(4,5),然后连接(3,2)这样会出现杂乱无章的图形，所以，在通过数据库选出坐标后，通过属性从小到大排序，是横坐标的顺序是从小到大的。 显示结果如下： 书上的图： 两图仍有区别，如果要产生下图的形状，要使用函数模

首先将数据将文本中的数据导入数据库，因为，对数据库的操作比较熟悉，对以后的数据统计也比较的方便，是通过，计算不同点出现的次数为纵坐标，以特征值为很坐标， 数据仍然是（一）中的数据，值得注意的是：数据库操作后，一定需要语句conn.commit()    ，否则会出现，执行后，数据库中没有存储的现象，操作数据库需要pymssql库 具体程序： import pymssql from numpy

#A Naive Bayesian Classifier total ={} #类训练实例,存储对应类的出现的次数 histo ={} #存储对应类中的对应特征的值得频率 train = open("D:\\iris.trn",'r') for line in train: f = line.rstrip().split(',') label = f.pop(