原创 感知器實戰
一、定義感知器接口 方法：通過使用面向對象編程的方式在一個Python類裏定義感知器接口，使得我們可以初始化新的感知器對象，並使用類中定義的fit方法從數據中進行學習，用predict方法進行預測。 import numpy as np
2018-09-02 00:57:11
原创 安裝新虛擬環境的方法&訪問國內鏡像方法
原版本爲2.7的環境，以下是增加3.6.1python的過程#在cmd中寫入命令 更新conda update conda #創建python3.6的環境conda create --name python3 python=3.6acti
2018-09-02 00:57:11
原创 實戰：航空公司客戶價值分析
一、 背景與挖掘目標 試圖實現以下目標： （1）藉助航空公司數據，對客戶進行分類。 （2）對不同類別的客戶進行特徵分析，比較不同類別客戶的價值分析。 （3）對不同價值的客戶類別進行個性化服務，制定相應的營銷策略。 二、分析方法 使用 LR
2018-09-02 00:57:11
原创 《Python數據分析與挖掘實戰》代碼問題
本文轉自：http://blog.csdn.net/qq_27469517/article/details/53482563 整個第四章都是數據預處理。 4.1是數據清洗。就是處理無關數據，缺失或者異常數據等等。 具體看書，就不贅
2018-09-02 00:57:10
原创 聚類參考資料
一、聚類的定義 聚類的可操作定義可以表示如下：給定n個對象的表示，基於相似度的度量找到K個組，使得相同組中的對象之間的相似性高，而不同組中的對象之間的相似性較低 聚類算法可以大致分爲兩類：分層和分式。層次聚類算法以聚集模式遞歸地發現嵌套集
2018-09-02 00:57:09
原创 迴歸數學原理
本文轉自：https://www.cnblogs.com/ooon/p/5485231.html梯度下降之隨機梯度下降 -minibatch 與並行化方法問題的引入：考慮一個典型的有監督機器學習問題，給定m個訓練樣本S={x(i),y(i
2018-09-02 00:57:09
原创 電商商品評論主題分析（LDA）
下面代碼的意思是從評論數據中抽取品牌是美的的數據（15-1）#-*- coding: utf-8 -*- import pandas as pd inputfile = '../data/huizong.csv' #評論彙總
2018-09-02 00:56:55
原创 《Python數據分析與挖掘實戰》邏輯迴歸建立
一、邏輯迴歸模型建立 import pandas as pd data=pd.read_excel(r'F:\BaiduNetdiskDownload\chapter5\demo\data\bankloan.xls') x=data.i
2018-09-02 00:56:54
原创 2.Iris數據集：感知器模型的簡單實戰（分類）
一、程序 from sklearn import datasets import numpy as np iris=datasets.load_iris() X=iris.data[:,[2,3]]#2:3纔不算3 y=iris.targ
2018-09-02 00:56:53
原创 GridSearchCV的使用方法
本文轉自：http://blog.csdn.net/u012897374/article/details/74999940 1. grid search是用來尋找模型的最佳參數 先導入一些依賴包 from sklearn.ensem
2018-09-02 00:56:52
原创 python進行情感分析
一、數據獲取在天貓爬取斯凱奇品牌下的男鞋店鋪共5或6個，除去重複評論後，共條，放在Excel文件。二、文本預處理import pandas as pd import numpy as np import jieba import warn
2018-09-02 00:56:52
原创 Python如何轉換百分數字符串爲浮點數
本文轉自http://www.datastudy.cc/article/5d8624e4a1d0d91fbc59fc3f9ad8704d?from=zhihu 很多時候，我們拿到的報表數據，裏面的小數都是帶百分號的字符串，不能進行直接的計
2018-09-02 00:56:52
原创 安裝keras庫/tensorflow庫
安裝以tensorflow爲後端的keras參考：http://blog.csdn.net/u013829973/article/details/70555037tensorflow這裏安裝1.0版本，https://mirrors.tu
2018-09-02 00:56:52