原创 機器學習筆記-迴歸(線性和邏輯)

1.線性迴歸—鄒博  目標函數-損失函數的推導  (1)給定假設函數h(theta) 其中,h表示y的預測值,h和y之間具有一個誤差值ε; (2)對誤差值ε的假設; 由中心極限定理,可以認爲誤差服從正態分佈ε~N(0, sigma2);

原创 python之numpy模塊的使用(1)

本節內容: 數組的創建 數組操作(獲取數組屬性,數組運算,數組複製,數組展開等等) 獲取數組特定元素 1、創建數組 (1)常用的創建一維數組的方式 # 可以將任意類型的序列(列表、元組、字典、集合、字符串)傳遞給np.arra

原创 第二節、總結

下一節:探索數據https://blog.csdn.net/Carl_changxin/article/details/88533798 1、數據類型 1.1、屬性和度量 1、屬性和屬性的測量標度 屬性是對象的性質或特性 屬性的測量

原创 python之numpy模塊的使用(2)

1、數組的連接 # 1、連接數組操作; # 方法1:通過將axis參數更改爲0垂直和1水平 np.concatenate # 方法2:和np.vstack垂直和np.hstack水平 # 方法3:和np.r_垂直和np.c_水平

原创 第二節、數據

下一節:總結:https://blog.csdn.net/Carl_changxin/article/details/88528303 1、本節簡述 數據類型:數據對象的屬性可以具有不同的數據類型,數據類型決定了可以使用何種工具和技術

原创 python之numpy模塊的使用(3)典型案例

1、創建bool布爾數組 # 創建布爾數組;所有值爲True arr_bool = np.full([3, 3], True, dtype=bool) print(arr_bool) arr_bool2 = np.ones([3

原创 python實現邏輯迴歸算法

前言:在實現線性迴歸的基礎上,繼續推出邏輯迴歸的算法實現;本節將對比線性迴歸,說明邏輯迴歸的原理。 1、原理 注:邏輯迴歸,屬於二分類問題,是分類算法,預測的是離散值;不是迴歸算法 2、實現 數據準備:https://b

原创 python模塊pandas的常用方法

1、基本數據集操作 (1)讀取 CSV 格式的數據集 pd.DataFrame.from_csv(“csv_file”) 或者: pd.read_csv(“csv_file”) (2)讀取 Excel 數據集 pd.read

原创 每週一文-EM算法

1.EM算法描述 EM算法是一種迭代算法,用於含有隱變量的概率模型參數的極大似然估計或極大後驗估計。EM算法的每次迭代分爲兩步,E步,求期望;M步,求極大。 問題引入: 將觀測數據表示爲 ,未觀測數據表示爲 ,則觀測數據的似然函數爲

原创 機器學習筆記-決策樹和隨機森林

預備知識; 信息熵(會在決策樹和隨機森林中用到) 決策樹和隨機森林—鄒博 決策樹基本原理 決策樹的依據:信息熵下降;即子結點的熵小於父節點的熵; 節點的信息熵代表了節點的不確定性程度,不確定性越小,確定性越大; 原理:決策樹學習

原创 python實現線性迴歸算法

前言:學習了吳恩達機器學習線性迴歸部分內容後,再結合很多優秀博客總結,搬運出來的乾貨。 1、原理 2、單變量線性迴歸 數據準備:https://blog.csdn.net/Carl_changxin/article/

原创 python實現邏輯迴歸數據

-0.017612 14.053064 0 -1.395634 4.662541 1 -0.752157 6.538620 0 -1.322371 7.152853 0 0.423363 11.054677 0 0.406704 7.

原创 python實現線性迴歸的數據

單變量 6.1101,17.592 5.5277,9.1302 8.5186,13.662 7.0032,11.854 5.8598,6.8233 8.3829,11.886 7.4764,4.3483 8.5781,12 6.486

原创 python模塊調用的坑

參考:https://blog.csdn.net/qq_23269761/article/details/77862465 比如: import urllib.request 那麼在調用request中的urlopen方法時,就必須: u

原创 python實現web項目的兩個框架Flask和Django概述

可參考:https://www.cnblogs.com/tqtl911/p/9686998.html 常用的Web框架有4個,各有優劣,使用時需要根據自身的應用場景選擇合適的Web框架。 1、Flask 2、Django 3、Bottl