原创 NYOJ-中位數

中位數 時間限制:3000 ms  |  內存限制:65535 KB 難度:2 描述 一組數據按從小到大的順序依次排列,處在中間位置的一個數叫做中位數。 比如 1 5 10 11 9  其中位數就是9.因爲排序過後,9處在中間位置。 現在

原创 cnn

# encoding=utf-8 import tensorflow as tf import numpy as np from tensorflow.examples.tutorials.mnist import input_data

原创 決策樹

決策樹:從根節點開始一步步走到葉子結點(決策) 所有的數據最終都會落到葉子結點,既可以做分類也可以做迴歸 樹的組成:   根節點:第一個選擇點  非葉子結點與分支:中間過程  葉子結點:最終的決策結果 節點:增加節點相當於在數據中切一刀,

原创 邏輯迴歸

邏輯迴歸: 目的:分類還是迴歸?經典的二分類算法! 機器學習算法選擇:先邏輯迴歸再用複雜的,能簡單還是用簡單的 邏輯迴歸的決策邊界:可以是非線性的 sigmoid函數   公式:g(z)=1/(1+exp(-z)) 自變量取值爲任意實數,

原创 numpy隨機數的產生

1.rand(d0,d1,...,dn)  產生均勻分佈的隨機數,dn爲第n維數據的維度 >>> import numpy as np >>> np.random.rand(3,2)  #產生3行2列均勻分佈的隨機數組 array([[0

原创 pandas隨記

import pandas food_info=pandas.read_csv(''food_info.csv')   #讀入csv文件      字符型:boject print(help(pandas.read_csv)) food_

原创 梯度下降

引入:當我們得到了一個目標函數後,如何進行求解? 直接求解?(並不一定可解,線性迴歸可以當做是一個特例)   常規套路:機器學習的套路就是交給機器一堆數據,然後告訴它什麼樣的學習方式是對的(目標函數),然後讓它朝着這個方向去做   如何優

原创 pandas學習

pandas:開源BSD許可的python庫,Python Pandas的官方網站是: http://pandas.pydata.org/ 使用強大的數據結構提供高性能的數據操作和分析工具。Pandas:Panel Data - 多維數據

原创 線性迴歸

引例:   數據:工資和年齡(2個特徵)   目標:預測銀行會貸款給我多少錢(標籤)   考慮:工資和年齡都會影響最終銀行的結果,那麼它們各自有多大的影響呢?(參數) 迴歸:通過你的數據最終預測出一個值 (分類:最終的到的是一個類別。比如

原创 魔法方法

什麼是魔法方法: 1.魔法總是被雙劃線包圍,例如__init__() 2.魔法方法是面向對象的python的一切 3.魔法方法總能夠在適當的時候被調用 __init__(self[, ...]):此方法的返回值一定是None,不能是其他

原创 迭代器,生成器與裝飾器

迭代:類似於循環,每一次重複的過程被稱爲一次迭代的過程,而每一次迭代得到的結果會被用來作爲 下一次迭代的初始值,提供迭代方法的容器稱爲迭代器,通常接觸的迭代器有序列(列表、元組、字符串), 還有字典也是迭代器,都支持迭代的操作。 關於迭代

原创 模塊

模塊導入: import math from math import sqrt import math as shuxue print(math.sqrt(2)) print(sqrt(2)) print(shuxue.sqrt(2))

原创 異常捕獲

def testTry(index,flag=False): stulst=["John","Jenny","Tom"] if flag: try: astu=stulst[index] except IndexErr

原创 手工拋出異常的方法與自定義異常

1.raise語句拋出異常 2.aseert語句 3.自定義異常 def testRaise(): for i in range(5): if i==2: raise NameError #手工拋出異常 #print

原创 創建一個類

def coord_chng(x,y): return (abs(x),abs(y)) class Ant: def __init__(self,x=0,y=0): self.x=x self.y=y self.disp