原创 特徵選擇 - SelectPercentile

文章目錄函數參數說明方法官方示例 官網:sklearn.feature_selection.SelectPercentile 函數 根據最高分數的百分位數選擇特徵。 class sklearn.feature_selection.

原创 初步 Octave基本使用方法

文章目錄1 基本內容1.1 基本計算1.2 邏輯預算1.3 變量2 向量和矩陣2.1 向量/矩陣的生成2.2 向量/矩陣的屬性2.3 向量/矩陣的運算2.3.1 向量/矩陣的生成、更改2.3.2 矩陣與矩陣的運算3 控制語句和函數

原创 廣義線性模型 - sklearn使用說明

文章目錄1. 普通最小二乘法1.1,普通最小二乘法的複雜度2. 嶺迴歸2.1. 嶺迴歸的複雜度2.2. 設置正則化參數:廣義交叉驗證1.3. Lasso1.3.1. 設置正則化參數1.3.1.1. 使用交叉驗證3. 貝葉斯迴歸3.

原创 sklearn.metrics.f1_score 使用方法

原網站:sklearn官網 使用sklearn計算 F1 score sklearn.metrics.f1_score(y_true, y_pred, labels=None, pos_label=1, average=

原创 交叉驗證:評估估算器的表現 - sklearn的使用方法

文章目錄0. 準備工作...1. 計算交叉驗證的指標1.1. cross_validate 函數和多度量評估1.2. 通過交叉驗證獲取預測2. 交叉驗證迭代器2.1. 交叉驗證迭代器–循環遍歷數據2.1.1. K 折2.1.2.

原创 聚類 - sklearn中的使用方法

文章目錄1. 聚類方法概述2. K-means2.1. 小批量 K-Means3. Affinity Propagation4. Mean Shift5. 層次聚類5.1. 不同連接類型6. DBSCAN 未標記的數據的 聚類(C

原创 如何使用Sklearn生成自己的數據集

使用Sklearn生成數據集1.生成符合正態分佈的聚類數據2.生成同心圓樣本點3.生成模擬分類數據集4.生成太極型非凸集樣本點5.生成同心圓形樣本點6.生成二進制分類數據 1.生成符合正態分佈的聚類數據 import matplo

原创 數據庫 - 例(輔助用)

文章目錄一,大學示例二,銀行示例 爲了方便對照,就把常用示例的模式圖單獨拿了出來,也比較便於練習。 一,大學示例 大學數據庫模式 大學數據庫模式圖 二,銀行示例 銀行模式圖

原创 演算法 - 分治法(Divide-and-Conquer)

排版真的亂到一個 ¥*@#&?一,Divide-and-Conquer(分治法)二,Recurrences(遞歸)1,替代法(Substitution method)2,Tree Method3,The Master Method

原创 數據庫 - 數據庫設計和E-R(實體關係)模型

文章目錄一,實體集0,屬性1,實體集表示爲表2,有複合屬性的實體集3,有多值屬性的實體集二,聯繫集1,聯繫集的定義與性質2,聯繫集的度三,映射基數四,鍵、碼五,約束1,基數約束(Cardinality Constraints)2,

原创 數據庫 - SQL語言(四)

這裏寫自定義目錄標題一,SQL語言(一)二,SQL語言(二)三,SQL語言(三)四,嵌入式SQL1,嵌入式SQL-查詢2,嵌入式SQL-修改五,開放數據庫互連(ODBC)1,什麼是ODBC2,句柄3,執行SQL語言4, 查詢結果的

原创 概率論 - 常見分佈(及查表)

文章目錄離散型的分佈一,0-1分佈二,幾何分佈三,二項分佈四,泊松分佈五,超幾何分佈連續性的分佈一,均勻分佈二,指數分佈三,正態分佈與標準正態分佈 離散型的分佈 一,0-1分佈 有2種結果,實驗只做1次。 P(X = k) =

原创 機器學習-P6 邏輯迴歸(書P73)

文章目錄一,概述1,邏輯迴歸(Logistic Regression)1.1,線性迴歸1.2,Sigmoid函數1.3,邏輯迴歸1.4,LR與線性迴歸的區別2,LR的損失函數3,LR 正則化3.1,L1正則化3.2,L2正則化(嶺

原创 機器學習 - sklearn中的迴歸算法

文章目錄提取乳癌數據線性迴歸嶺迴歸邏輯迴歸 提取乳癌數據 from sklearn import datasets BC = datasets.load_breast_cancer() x = BC.data y = BC.t

原创 機器學習-P5 樸素貝葉斯算法(書P53)

文章目錄一,概述1,條件概率(Condittional probability)2,全概率公式3,貝葉斯推斷二,舉個“栗子”(手動星標)三,樸素貝葉斯的種類如何選擇1,高斯分佈的樸素貝葉斯算法GaussianNB在sklearn中