原创 機器學習筆記(6)-邏輯迴歸與最大熵模型

Logistic迴歸 Logistic 迴歸雖然名字叫回歸,但是它是用來做分類的。其主要思想是: 根據現有數據對分類邊界線建立迴歸公式,以此進行分類。假設現在有一些數據點,我們用一條直線對這些點進行擬合(這條直線稱爲最佳擬合直線)

原创 數據分析(3)-matplotlib

繪圖與可視化-總體描述 畫圖實例:Python科學繪圖實例附代碼 基本圖表元素 1,X軸與Y軸 2,X軸和y軸刻度 3,X軸和y軸刻度標籤 4,繪圖區域 創建窗口 plt.figure(); # 只能畫

原创 機器學習筆記(8)-樹迴歸

樹迴歸CART概述 線性迴歸創建的模型需要擬合所有的樣本點(局部加權線性迴歸除外)。當數據擁有衆多特徵並且特徵之間關係十分複雜時,構建全局模型的想法就顯得太難了,也略顯笨拙。而且,實際生活中很多問題都是非線性的,不可能使用全局線性

原创 機器學習筆記(7)-迴歸模型

迴歸(Regression)原理 迴歸的目的是預測數值型的目標值。最直接的辦法是依據輸入寫出一個目標值的計算公式。我們應該怎樣從一大堆數據裏求出線性迴歸方程呢? 假定輸入數據存放在矩陣 x 中,而回歸係數存放在向量 w 中。那麼對

原创 機器學習筆記(5)-貝葉斯模型

樸素貝葉斯決策理論 樸素貝葉斯法是基於貝葉斯定理與特徵條件獨立假設的分類方法。簡單來說,樸素貝葉斯分類器假設樣本每個特徵與其他特徵都不相關。樸素貝葉斯分類器的一個優勢在於只需要根據少量的訓練數據估計出必要的參數(離散型變量是先驗概

原创 TF-Slim學習(1)

tensorflow模型 slim 目錄中的 TF-Slim 是圖像分類的一個庫,它包含用於定義、訓練和評估複雜模型的輕量級高級 API。可以用於訓練和評估的幾個廣泛使用的 CNN 圖像分類模型,如 lenet、 alexnet

原创 tensorflow(1)-初始化

調用一般可查看:API Documentation 計算圖 # g1 = tf.Graph() # with g1.as_default(): # with tf.Session(graph = g1) as sess: impo

原创 Tensorflow入門例子(1)

BasicModels K-Means from __future__ import print_function import numpy as np import tensorflow as tf from tensorflo

原创 機器學習筆記(10)-K-均值(K-means)

K-Means 算法原理 聚類是一種無監督的學習, 它將相似的對象歸到一個簇中, 將不相似對象歸到不同簇中,相似這一概念取決於所選擇的相似度計算方法。 K-Means 是發現給定數據集的 K 個簇的聚類算法, 之所以稱之爲 K-

原创 TensorFlow入門例子(0)

Introduction basic_operations # Basic constant operations from __future__ import print_function import tensorflow a

原创 數據分析(2)-pandas

基本介紹 具備按軸自動或顯式數據對齊功能的數據結構。 集成時間序列功能,既能處理時間序列數據也能處理非時間序列數據的數據結構。 數學運算和約簡(比如對某個軸求和)可以根據不同的元數據(軸編號)執行,靈活處理缺失數據 合併及

原创 tensorflow(2)-優化函數

Tensorflow API 加減乘除 a = tf.matmul(x, w1) 損失函數及優化 # 通過運行sess.run(train_ step)就可以對所有在GraphKeys.TRAINABLEes VARIABLES

原创 tensorflow(3)-網絡操作

cnn相關操作 x = tf.placeholder('float32', [1, None, None, 1]) conv = tf.nn.conv2d(x, filter_weight, strides = [1, 2, 2,

原创 tensorflow(4)-保存與可視化

調用一般可查看:tensorflow API ckpt文件保存方法 # pb文件的保存方法================================== import tensorflow as tf from tensor

原创 機器學習筆記(11)-PCA/SVD

利用PCA簡化數據 降維技術 降維(dimensionality reduction):將百萬像素點的數據,降至爲三維的這個過程。 3種降維技術: 1,主成分分析(Principal Component Analysis, P