主要为大家详细介绍了Python机器学习算法之k均值聚类,具有一定的参考价值,感兴趣的小伙伴们可以参考一下
2021-11-16 15:03:51 113KB python 机器学习 k均值聚类 k
1
K近邻算法实战,精确的高,感兴趣的可以看一看
2021-11-14 21:03:26 3KB K近邻算法 python 分类预测 机器学习
1
线性模型1. 用于二分类的线性模型2. 用于多分类的线性模型 线性模型也同样应用于分类问题。 1. 用于二分类的线性模型 首先我们看一下二分类,预测公式: 这个公式上一篇博文里面的线性回归公式非常相似,但是我们没有返回特征的加权求和,而是为预测设置了阈值(0)。如果函数值小于0,我们就预测类别-1;若函数值大于0,我们就预测类别+1。 最常见的两种线性分类算法是Logistic回归和线性支持向量机(线性SVM) 在这里我们将两个模型应用在forge数据集上,并将线性模型找到的决策边界可视化。 运行代码如下: from sklearn.linear_model import LogisticR
2021-11-13 16:09:57 57KB 分类 学习 学习笔记
1
购买课程后,添加小助手微信(微信号:csdnxy68)回复【唐宇迪】 进入学习群,获取唐宇迪老师答疑 Python机器学习实训营(原理推导+代码复现+实验分析)课程旨在帮助同学们在机器学习领域打下坚实基础。课程注重算法原理讲解与数学公式推导并基于Python语言给出完整的代码实现,从零开始实现每一模块功能(非调用工具包)通过代码实例演示算法工作流程与实现方法,基于案例进行实验分析,算法涉及核心知识点全方位解读。整体风格通俗易懂,建议同学们在学习过程中先掌握算法原理,基于数学推导公式进行代码复现与实战演练。课程提供全部课程所需PPT,数据,代码。
1
伯努利朴素贝叶斯分类器主要用于文本分类,下面我们以一个具体的例子,来讲述下伯努利朴素贝叶斯的原理和实现逻辑。 具体例子: 已知我们有八个句子以及每个句子对应的类别,即中性或侮辱性。那么再给出一个句子,我们来判断该句子是中性还是侮辱性,即计算该句子是中性的概率大还是侮辱性的概率大,概率大的类别即为我们判断的类别。 首先要把句子进行处理,即把句子分解成拥有多个单词的单词组,句子对应的单词组以及类别如下所示: def loadDataSet(): postingList = [['my', 'dog', 'has', 'flea', 'problems', 'help', 'please']
2021-10-29 21:16:02 66KB python python机器学习 伯努利
1
Python机器学习蓝图 这是Packt发布的的代码存储库。 它包含从头到尾完成本书所必需的所有支持项目文件。 说明和导航: 所有代码都组织在文件夹中。 每个文件夹均以数字开头,后跟应用程序名称。 例如, Chapter02 。 要安装用于代码测试的软件,请参考“软件和硬件要求”部分。 要运行代码包中给出的代码,请按照本书中给出的步骤/说明进行操作。 软件和硬件要求: 软件: 全部(示例): 第3章:无 硬件: 约350MB的磁盘空间。 16-23MB的磁盘空间。 操作系统:Mac OS X,Windows或Linux 相关的Python书籍和视频: [使用Python设计机器学习系统]( ) [Functional Python Programming]( ) [Python入门[视频]]( )
2021-10-23 16:53:16 1.36MB JupyterNotebook
1
python机器学习-k近邻(KNN)算法实例-附件资源
2021-10-15 23:37:26 106B
1
所用到的文件 ex2.m-Octave/MATLAB脚本,该脚本引导您完成ex2 reg.m-Octave/MATLAB脚本,用于ex2data1.txt练习的后面部分- Ex2data1.txt练习的前半部分的训练集- ex2data2.txt练习的后半部分的训练集提交。m-提交脚本,用于将您的解决方案发送到我们的服务器 mapFeature.m-生成多项式特征的函数 plot decision boundary.m-绘制分类器决策边界的函数 [?]plot data.m-打印二维分类数据的函数 [?]sigmoid.m-sigmoid功能 [?]costFunction.m-Logisti
2021-10-12 19:06:55 127KB ex matlab函数 python机器学习
1
原文链接:http://tecdat.cn/?p=10911 用户和产品的潜在特征编写推荐系统矩阵分解工作原理使用潜在表征来找到类似的产品。 1. 用户和产品的潜在特征 我们可以通过为每个用户和每部电影分配属性,然后将它们相乘并合并结果来估计用户喜欢电影的程度。 然后我们使用pandas数据透视表函数来构建评论矩阵。在这一点上,ratings_df包含一个稀疏的评论阵列。 接下来,我们希望将数组分解以找到用户属性矩阵和我们可以重新乘回的电影属性矩阵来重新创建收视率数据。为此,我们将使用低秩矩阵分解算法。我已经在matrix_factorization_utilities.py中包含了这个实
2021-10-09 17:19:26 238KB python python函数 python机器学习
1
python机器学习资料小合集,包括机器学习十大算法以及python机器学习等资料指导,一些训练常用的代码和数据集
2021-10-08 10:30:28 126.97MB python 机器学习
1