《机器学习实战》

机器学习实战——python实现DBSCAN密度聚类

基础概念ε-邻域：对于样本集中的xj,它的ε-邻域为样本集中与它距离小于ε的样本所构成的集合。核心对象：若xj的ε-邻域中至少包含MinPts个样本，则xj为一个核心对象。密度直达：若xj位于xi的ε-邻域中，且xi为核心对象，则xj由xi密度直达。密度可达：若样本序列p1,p2,……,pn。pi+1由pi密度直达，则p1由pn密度可达。算法过程输入：样本集D={x1,x2,...,xm}邻域参数
chenge_j·2022-11-19 01:59

logistic回归梯度下降算法

在《机器学习实战》一书的第5章中讲到了Logistic用于二分类问题。书中只是给出梯度上升算法代码，但是并没有给出数学推导。故哪怕是简单的几行代码，依然难以理解。
gongxun1234·2022-11-18 16:12

机器学习实战学习笔记（七）预测数值型数据：回归

PS：该系列数据都可以在图灵社区（点击此链接）中随书下载中下载（如下）1用线性回归找到最佳拟合直线线性回归优点：结果易于理解，计算上不复杂。缺点：对非线性的数据拟合不好。适用数据类型：数值型和标称型数据。  假定输入数据存放在矩阵XXX中，而回归系数存放在向量www中。那么对于给定的数据X1X_1X1，预测结果将会通过Y1=X1TwY_1=X_1^TwY1=X1Tw给出。我们常用的方法极速找出使误
Hold_My_Own·2022-11-18 08:01

《机器学习实战》7.AdaBoost元算法提高分类性能

目录1基于数据集多重抽样的分类器1.1bagging：基于数据随机重抽样的分类器构建方法1.2boosting2训练算法：基于错误提升分类器的性能3基于单层决策树后见弱分类器4完整AdaBoost算法的实现5测试算法：基于AdaBoost的分类6示例：在一个数据集上应用AdaBoost7非均衡分类问题7.1其他分类性能度量指标：正确率、召回率及ROC曲线7.2基于代价函数的分类器决策控制7.3处理
豆豆豆豆芽·2022-11-18 08:31

【机器学习实战】第8章 预测数值型数据：回归

第8章预测数值型数据：回归回归（Regression）概述我们前边提到的分类的目标变量是标称型数据，而回归则是对连续型的数据做出处理，回归的目的是预测数值型数据的目标值。回归场景回归的目的是预测数值型的目标值。最直接的办法是依据输入写出一个目标值的计算公式。假如你想要预测兰博基尼跑车的功率大小，可能会这样计算:HorsePower=0.0015*annualSalary-0.99*hoursLis
片刻小哥哥·2022-11-18 08:30

机器学习实战--8.预测数值型数据：线性回归

8.1利用线性回归找到最佳拟合曲线1.线性回归优缺点优点：结果易于理解，计算上不复杂缺点：对非线性数据拟合不好适用数据类型：数值型和标称型数据。目的：预测数值型的目标值2.回归方程、回归系数回归：求回归系数的过程就叫回归。比较模型效果：计算两个序列的相关系数–可以计算预测值序列和真实序列的匹配程度。8.2局部加权线性回归线性回归不足：可能出现欠拟合，因为求的是最小均方误差的无偏估计。解决：在估计中
wuli玉shell·2022-11-18 08:30

机器学习实战-第八章-预测数值型数据：回归

标准回归函数和数据导入函数：importnumpyasnp#打开一个用tab键分割的文本文件defloadDataSet(fileName):numFeat=len(open(fileName).readline().split('\t'))-1dataMat=[];labelMat=[]fr=open(fileName)forlineinfr.readlines():lineArr=[]curL
qtayu·2022-11-18 08:30

机器学习实战-预测数值型数据：回归

1，用线性回归找到最佳拟合直线回归的目的是预测数值型的目标值。回归方程（regressionequation）主要是求回归系数，一旦有了回归系数，在给定输入，做预测就是用回归系数乘以输入值，在将结果全部加在一起，就得到了预测值。（因为回归系数是一个向量，输入也是向量，这些运算就是求出二者的内积）回归的一般方法：1）收集数据：采用任意方法收集数据2）准备数据：回归需要数值型数据，标称型数据将被转换为
txb_doyourbest·2022-11-18 08:59

机器学习实战 第八章 预测数值型数据：回归

第八章预测数值型数据：回归8.1用线性回归找到最佳拟合直线8.2局部加权线性回归8.3示例：预测鲍鱼的年龄8.4缩减系数来“理解”数据8.4.1岭回归8.4.2lasso8.4.3前向逐步回归8.5权衡偏差和方差8.6小结    前面我们介绍了分类，分类的目标变量是标称型数据，本章将会对连接型的数据作出预测。8.1用线性回归找到最佳拟合直线线性回归的优缺点：优点：结果易于理解，计算上不复杂。缺点：
LuoY、·2022-11-18 08:28

《机器学习实战》——第8章 预测数值型数据：回归

8.1用线性回归找到最佳拟合直线线性回归优点：结果易于理解，计算不复杂。缺点：对非线性的数据拟合不好。适用数据类型：数值型和标称型数据。回归的目的是预测数值型的目标值。最直接的办法是依据输入写出一个目标值的计算公式。下面给出一个回归方程：其中的0.0015和-0.99称为回归系数，求回归系数的过程就是回归。一般的回归指的都是线性回归，所以本章回归和线性回归代表同一个意思。线性回归意味着可以将输入项
海鸥丸拉面·2022-11-18 08:57

机器学习实战第8章预测数值型数据：回归

1.简单的线性回归假定输入数据存放在矩阵X中，而回归系数存放在向量W中，则对于给定的数据X1，预测结果将会是这里的向量都默认为列向量现在的问题是手里有一些x和对应的y数据，怎样才能找到W呢？一个常用的方法是找到使误差最小的W，这里的误差是指预测y值与真实y值之间的差值，使用该误差的简单累加将使得正差值和负差值相互抵消，所以我们采用平方误差。平方误差可以写做：用矩阵表示可以写成使用上式对w进行求导：
dengzhang2630·2022-11-18 08:27

【机器学习实战】8、预测数值型数据：回归

文章目录8.1用线性回归找到最佳拟合直线8.1.1线性回归8.1.2数据可视化8.1.3求回归系数向量，并根据系数绘制回归曲线8.2局部加权线性回归（LWLR）8.3预测鲍鱼年龄8.4岭回归8.5前向逐步回归8.6预测乐高玩具套件的价格前面章节介绍了分类，分类的目标变量是标称型数据，而本章将会对连续性数据做出预测。8.1用线性回归找到最佳拟合直线回归的目的是预测数值型的目标值。最直接的办法是依据输
呆呆的猫·2022-11-18 08:27

《机器学习实战中文版》 预测数值型数据：回归

预测数值型数据：回归1.概述线性回归对连续型数据进行预测优点：结果易于理解，计算上不复杂。缺点：对非线性的数据拟合不好。适用数据类型：数值型和标称型数据。2.实现用线性回归找到最佳拟合直线通过找平方误差的最小值可以得到回归系数的解，平方误差可写做：∑i=1m(yi−xiTw)2\sum_{i=1}^{m}\left(y_{i}-x_{i}^{\mathrm{T}}w\right)^{2}i=1∑m
香槟酒气满天飞·2022-11-18 08:27

《机器学习实战》8.1 预测数值型数据：回归

《机器学习实战》8.1预测数值型数据：回归搜索微信公众号:‘AI-ming3526’或者’计算机视觉这件小事’获取更多人工智能、机器学习干货csdn：https://blog.csdn.net/baidu
xiaoming3526·2022-11-18 08:56

《机器学习实战》8.预测数值型数据：回归

目录预测数值型数据：回归1利用线性回归找到最佳拟合直线2局部加权线性回归3示例：预测鲍鱼的年龄4缩减系数来“理解”数据4.1岭回归4.2lasso4.3前向逐步回归5权衡偏差与方差6示例：预测乐高玩具套装的价格6.1收集数据：使用google购物的API6.2训练算法：建立模型7本章结束本节涉及的相关代码和数据预测数值型数据：回归本章内容：①线性回归②局部加权线性回归③岭回归和逐步线性回归④预测鲍
豆豆豆豆芽·2022-11-18 08:56

《机器学习实战：基于Scikit--Learn、Keras和TensorFlow(第2版)》学习笔记——前言

机器学习实战：基于Scikit–Learn、Keras和TensorFlow(第2版)前言代码仓库：https://github.com/ageron/handson-ml2机器学习，其他入门书籍：JoelGrus
krchlry·2022-11-17 18:02

《机器学习实战：基于Scikit-Learn、Keras和TensorFlow（第2版）》学习笔记

文章目录书籍信息技术和工具Scikit-LearnTensorFlowKerasJupyternotebook资源书籍配套资料流行的开放数据存储库元门户站点(它们会列出开放的数据存储库)其他一些列出许多流行的开放数据存储库的页面其他机器学习项目清单主要有8个步骤框出问题并看整体获取数据研究数据准备数据列出有前途的模型微调系统演示你的解决方案启动机器学习概览什么是机器学习为什么使用机器学习机器学习的
影之李小白·2022-11-17 18:31

【阿旭机器学习实战】【13】决策树分类模型实战：泰坦尼克号生存预测

【阿旭机器学习实战】系列文章主要介绍机器学习的各种算法模型及其实战案例，欢迎点赞，关注共同学习交流。本文用机器学习中的决策树分类模型对泰坦尼克号生存项目进行预测。
阿_旭·2022-11-17 15:29

【阿旭机器学习实战】【14】决策树回归模型实战：对美国波士顿房价进行分析预测

【阿旭机器学习实战】系列文章主要介绍机器学习的各种算法模型及其实战案例，欢迎点赞，关注共同学习交流。本文用机器学习中的决策树回归模型对美国波士顿房价进行分析预测。
阿_旭·2022-11-17 15:29

【阿旭机器学习实战】【24】信用卡用户流失预测实战

【阿旭机器学习实战】系列文章主要介绍机器学习的各种算法模型及其实战案例，欢迎点赞，关注共同学习交流。
阿_旭·2022-11-17 15:29

【阿旭机器学习实战】【28】自己动手写一个单词拼写检查器---基于贝叶斯公式

【阿旭机器学习实战】系列文章主要介绍机器学习的各种算法模型及其实战案例，欢迎点赞，关注共同学习交流。本文主要介绍了拼写检查器的基本原理，并且通过贝叶斯公式自己动手写了一个单词拼写检查器。
阿_旭·2022-11-17 15:27

Python3《机器学习实战》学习笔记（九）：ANN人工神经网络基础详解

文章目录一、简介二、ANN算法细节详解2.1深度学习要解决的问题2.2深度学习应用领域2.3计算机视觉任务2.4视觉任务中遇到的问题2.4.1回顾K近邻算法2.4.2为啥不能用K近邻2.5得分函数2.6损失函数2.7前向传播流程2.8反向传播计算2.9神经网络整体架构2.10神经元个数对结果的影响2.11正则化和激活函数2.12过拟合解决一、简介人工神经网络（ArtificialNeuralNet
Charliefive·2022-11-17 09:28

Python3《机器学习实战》学习笔记（五）：Logistic回归基础篇之梯度上升算法

文章目录一、简介二、Logistic回归三、代码实战3.1加载数据3.2函数3.3梯度上升算法3.4绘制数据集3.5主函数四、总结一、简介通过Logistic回归和梯度上升两方法开始，首先从原理开始推论。二、Logistic回归链接:可以参照之前写过的文章（吴恩达机器学习课里面的）因为里面公式推导都是类似的，因此可以直接拿来用这个例子主要是主要用来模拟迭代的方式。就像爬坡一样，一点点的逼近极值''
Charliefive·2022-11-17 09:27

Python3《机器学习实战》学习笔记（十）：ANN人工神经网络代码详解（数字识别案例以及人脸识别案例）

文章目录一、构建基本代码结构1.1预处理数据的工具包1.2初始化参数1.3工具类sigmoid1.4工具类矩阵变换1.5初始化theta1.6正向传播1.7反向传播1.8梯度下降1.9训练模块二、MNIST数字识别三、人脸识别四、总结一、构建基本代码结构1.1预处理数据的工具包"""DatasetFeaturesRelatedUtils"""from.normalizeimportnormaliz
Charliefive·2022-11-17 09:51

机器学习KNN（K近邻）算法python代码实现

以下代码来自《机器学习实战》一书代码由多个函数构成，每个函数封装一种功能。
指尖在键盘上舞动·2022-11-17 09:05

如何从小白成为一名合格的算法工程师

如何从小白成为一名合格的算法工程师写在开头能力要求编程能力计算机基础机器学习机器学习理论学习机器学习实战学习深度学习基础应用领域个人计划后续安排写在开头其实对于未来想要从事什么样的职业这个问题，我已经思考了比较长一段时间
Acwisher·2022-11-17 07:44

2022年Python顶级自动化特征工程框架⛵

作者：韩信子@ShowMeAI机器学习实战系列：https://www.showmeai.tech/tutorials/41本文地址：https://www.showmeai.tech/article-detail
·2022-11-16 23:24

机器学习实战—无监督学习之聚类

文章目录一.无监督学习简介二.聚类2.1简介2.2聚类算法K-Means2.2.1简介2.2.2K-means原理2.2.3K-means使用2.2.4中心点初始化方法2.2.4K-means++2.2.5加速的K-means和小批量K-means2.2.6寻找最佳聚类数二.聚类的应用-使用聚类进行图像颜色分割一.无监督学习简介在前面的学习中，机器学习的应用都是基于有监督学习的，即处理的数据都是有
jakiechaipush·2022-11-15 17:40

【阿旭机器学习实战】【27】贝叶斯模型：新闻分类实战----CounterVecorizer与TfidVectorizer构建特征向量对比

【阿旭机器学习实战】系列文章主要介绍机器学习的各种算法模型及其实战案例，欢迎点赞，关注共同学习交流。
阿_旭·2022-11-15 13:47

Python实现ABC人工蜂群优化算法优化支持向量机分类模型(SVC算法)项目实战

说明：这是一个机器学习实战项目（附带数据+代码+文档+视频讲解），如需数据+代码+文档+视频讲解可以直接到文章最后获取。
胖哥真不错·2022-11-14 15:55

机器学习实战-63:混合高斯模型聚类算法(Gaussian Mixture Model)

#机器学习实战-63:混合高斯模型聚类算法深度学习原理与实践(开源图书)-总目录，建议收藏，告别碎片阅读！机器学习分为监督学习、无监督学习和半监督学习(强化学习)。
MTVideoAI·2022-11-13 10:18

machine learning KNN

本博客是机器学习实战的读书笔记......数据挖掘十大算法:C4.5决策树k-means支持向量机SVMApriori最大期望法EMPageRank算法AdaBoot算法K-邻近算法(KNN)朴素贝叶斯算法
AdaLeery·2022-11-11 18:20

【machine learning】KNN算法

适逢学习机器学习基础知识，就将书中内容读读记记，本博文代码参考书本MachineLearninginAction（《机器学习实战》）。
enjoyhot·2022-11-11 18:49

【阿旭机器学习实战】【26】逻辑斯蒂回归----糖尿病预测实战

【阿旭机器学习实战】系列文章主要介绍机器学习的各种算法模型及其实战案例，欢迎点赞，关注共同学习交流。本文通过构建逻辑斯蒂回归模型，对糖料病进行预测。
阿_旭·2022-11-11 07:38

Task02——支持向量机（Support Vector Machine，SVM）

支持向量机（SupportVectorMachine，SVM）本系列是2022年12月DataWhale组队学习中sklearn机器学习实战中的第二个学习任务——SVM，开源的在线学习地址，下面我们就开始本次学习之旅了
Janayt·2022-11-10 14:54

机器学习实战0基础入门（一）之简单入门

提要：1.机器学习出现的原因:海量数据，硬件，接地气2.机器学习分类data:机器学习分为监督学习（有标签），无监督学习（无标签），强化学习（环境封闭，从环境奖惩中学习，eg.玩游戏，alphago棋盘）question：分类（标签离散，逻辑回归，决策树，神经网络）回归（标签连续，线性回归，神经网络），聚类，关联规则（找特征之间的关系），时间序列，结构化输出（输出结构），生成式学习，决策性问题3.
一个努力学习奋进的游民·2022-11-10 11:12

sklearn基础篇（三）-- 鸢尾花(iris)数据集分析和分类

后面对Sklearn的学习主要以《Python机器学习基础教程》和《机器学习实战基于scikit-learn和tensorflow》，两本互为补充进行学习，下面是开篇的学习内容。
长路漫漫2021·2022-11-09 12:48

机器学习笔记(3)---K-近邻算法(1)---约会对象魅力程度分类

参考资料《机器学习实战》，MachineLearninginAction，本文中简称MLiA《机器学习》周志华，本文简称西瓜书《Web安全之机器学习》刘焱著，本文中简称WSML(WebSecurityinMachineLearning
sweird·2022-11-09 12:14

机器学习实战—降维

文章目录一.简介二.降低维度的主要方法2.1简介2.2投影2.3流形学习三.PCA降维3.1简介3.2保留差异性3.3主要成分3.4向下投影到d维度3.5在Scikit-learn使用PCA的接口3.6可解释方差比3.7随机PCA3.8增量PCA（IPCA）四.内核PCA4.1简介4.2scikiit-learn接口使用五.LLE降维5.1简介5.2Scikit-learn中使用5.3LLE的工作
jakiechaipush·2022-11-09 11:12

端对端的机器学习项目

机器学习实战机器学习的基础知识（已完成）端对端的机器学习项目（已完成）训练深度神经网络使用TensorFlow自定义模型和训练使用TensorFlow加载和预处理数据使用卷积神经网络的深度计算机视觉使用
问题很多de流星·2022-11-08 13:51

机器学习项目清单 - 机器学习实战

摘自《机器学习实战基于sklearn、Keras和TensorFlow第2版》附录B中的机器学习项目清单，用于自查1.框出问题并看整体1.用业务术语定义目标。2.你的解决方案将如何使用?
每天净瞎搞·2022-11-08 13:51

机器学习项目清单（1）

…不过在《机器学习实战》AurelienGeron的书中，并没有讨论真实工作场景中管理在其中的作用。
Julie Chia·2022-11-08 13:20

机器学习实战（11）——初识人工神经网络

目录1感知器2多层感知器和反向传播3用TensorFlow的高级API训练MLP4使用纯TensorFlow训练DNN4.1构建阶段4.2执行阶段5使用神经网络1感知器感知器是最简单的ANN架构之一。它基于一个稍微不同的被称为线性阈值单元（LTU）的人工神经元：输入和输出都是数字，每个输入的连接都有一个对应的权重。LTU会加权求和所有的输入（），然后对求值结果应用一个阶跃函数并产生最后的输出，如下
WHJ226·2022-11-08 13:39

【阿旭机器学习实战】【21】通过SVM分类与回归实战案例，对比支持向量机（SVM）3种SVM不同核函数

【阿旭机器学习实战】系列文章主要介绍机器学习的各种算法模型及其实战案例，欢迎点赞，关注共同学习交流。
阿_旭·2022-11-08 11:30

【阿旭机器学习实战】【23】特征降维实战---人脸识别降维建模，并选出最有模型进行未知图片预测

【阿旭机器学习实战】系列文章主要介绍机器学习的各种算法模型及其实战案例，欢迎点赞，关注共同学习交流。
阿_旭·2022-11-08 11:30

【阿旭机器学习实战】【18】KMeans聚类中的常见问题

【阿旭机器学习实战】系列文章主要介绍机器学习的各种算法模型及其实战案例，欢迎点赞，关注共同学习交流。本文对机器学习中的KMeans聚类中常见的几个问题进行说明介绍。
阿_旭·2022-11-08 11:00

【阿旭机器学习实战】【19】如何在不减少分辨率的情况下降低图片存储空间？K-Means算法进行图片颜色点分类存储

【阿旭机器学习实战】系列文章主要介绍机器学习的各种算法模型及其实战案例，欢迎点赞，关注共同学习交流。
阿_旭·2022-11-08 11:00

【阿旭机器学习实战】【20】支持向量机SVM原理简介及示例演示：画出SVM二维决策边界与分离非线性坐标点

【阿旭机器学习实战】系列文章主要介绍机器学习的各种算法模型及其实战案例，欢迎点赞，关注共同学习交流。
阿_旭·2022-11-08 11:00

【阿旭机器学习实战】【17】KMeans聚类算法中如何选择合适的聚类个数K

目录KMeans聚类算法中如何选择合适的聚类个数？问题描述1.随机生成二维数据点2.定义不同聚类中心个数对点进行分类3.画图选取最合适的K值KMeans聚类算法中如何选择合适的聚类个数？问题描述我们随机生成一些二维点的数据，然后通过不同的K值对其进行分类评估。具体步骤：随机生成一些二维点选取不同的K值进行模型训练，并计算轮廓系数画出K值与轮廓关系的折线图，看取哪一个K值合适1.随机生成二维数据点i
阿_旭·2022-11-08 11:59

【阿旭机器学习实战】【11】文本分类实战：利用朴素贝叶斯模型进行邮件分类

【阿旭机器学习实战】系列文章主要介绍机器学习的各种算法模型及其实战案例，欢迎点赞，关注共同学习交流。
阿_旭·2022-11-08 11:29
上一页 15 16 17 18 19 20 21 22 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他