机器学习系列第5页

“模型评估”面试知识点总结-百面机器学习系列2

提示：在准备机器学习算法工程师面试的过程中，我主要参考《百面机器学习》去巩固自己的基础知识。本系列博客将以该书为主题，并以八股文的方式去概述整本书的内容，以尽量减少读者们的阅读作量，并方便读者可以随时随地的记忆背诵。建议：我还是认为读者们可以提前买一本《百面机器学习》，从前到后完全看一遍，然后再看我的博客去记忆背诵会更好些哈。文章目录问题1：评估指标的局限性问题2：ROC曲线的相关知识问题3：余弦

八股文的搬运工·2022-12-04 14:20

气象类Python编程实战案例项目汇总

教程2.气象数据读取/数据处理/数据分析/数值计算3.气象可视化(1)Matplotlib绘图教程(2)Cartopy绘图教程(3)Metpy绘图教程(4)Basemap库教程(5)气象可视化案例4.机器学习系列教程

qazwsxpy·2022-12-04 08:58

机器学习系列（一）—— ROC曲线与AUC

一、ROC机器学习模型通常输出一个实值或者概率，并将其与一个阈值比较，若大于阈值，判为正例，否则判为反例。因此，阈值的设定会影响学习器的泛化性能。ROC曲线就是从阈值设定的角度研究学习器的泛化性能ROC的横轴为FPR,纵轴为TPRROC曲线实际由离散点组成，点的个数等于测试样本个数，每个点的坐标为(FPR,TPR).整个ROC曲线反应了学习器在不同阈值条件下的泛化性能。小结：1.ROC曲线越靠近左

CX330lxy·2022-12-04 02:59

机器学习系列(二)——评价指标Precision和Recall

Precision和Recall是常考的知识点，就其区别做一个详细总结1.Precision中文翻译“精确率”，“查准率”。“查准率”这个名字更能反应其特性，就是该指标关注准确性。计算公式如下：这里TP，FP的概念来自统计学中的混淆矩阵，TP指“预测为正（Positive）,预测正确（True）”(可以这里记忆：第一位表示该预测是否正确，第二位表示该预测结果为正还是负)，于是，我们可以这样理解Pr

CX330lxy·2022-12-04 02:58

【机器学习系列】变分推断第一讲：Variational Inference背景和用途

作者：CHEONG公众号：AI机器学习与知识图谱研究方向：自然语言处理与知识图谱阅读本文之前，首先注意以下两点：1、机器学习系列文章常含有大量公式推导证明，为了更好理解，文章在最开始会给出本文的重要结论

CHEONG_KG·2022-12-02 17:31

模式识别学习笔记——判别函数和高斯分布

目录判别函数高斯分布SpecialCasesCase1:Case1aCase1bCase2:Case3:GeneralCases关于高斯分布的一些知识，强烈推荐B站白板推导机器学习系列。

_V.O.N_·2022-12-02 15:31

ai_百面机器学习系列笔记_高斯过程

模型评估–>超参数调优–>贝叶斯优化算法–>高斯过程A高斯过程https://blog.csdn.net/paulfeng20171114/article/details/802760611、修正贝塞尔函数https://blog.csdn.net/lanchunhui/article/details/54617827a贝塞尔函数：常微分方程（一般称为贝塞尔方程）的标准解函数：b柯西分布1是一种理

专一的黄先生·2022-12-02 15:30

图上的机器学习系列-聊聊DeepWalk

前言本篇着重结合论文《DeepWalk:OnlineLearningofSocialRepresentations》来聊，过程中尽量把一些概念和方法展开多讨论一下。DeepWalk是干啥的我们来想这样一件事：机器学习是咋工作的？需要输入一堆特征变量对吧？无论是离散型还是连续型，但都是欧式空间中的数学表达，总归是可以用很多数学工具来分析的。但一个社交网络的图结构呢？每一个点该如何进行数学表达，才能在

a_step_further·2022-12-02 14:44

机器学习：使用scikit-learn的线性回归预测Google股票

这是机器学习系列的第一篇文章。本文将使用Python及scikit-learn的线性回归预测Google的股票走势。请千万别期望这个示例能够让你成为股票高手。下面按逐步介绍如何进行实践。

相太阳·2022-12-01 16:42

9.XGBoost

本教程是机器学习系列的一部分。在此步骤中，您将学习如何使用功能强大的xgboost库构建和优化模型。

自动驾驶小学生·2022-12-01 13:22

吴恩达机器学习系列课程笔记——第十七章：大规模机器学习(Large Scale Machine Learning)

17.1大型数据集的学习https://www.bilibili.com/video/BV164411b7dx?p=102接下来的课程，我们会学习大规模机器学习，也就是处理大型数据集的算法，对比之前的算法，我们拥有大量的数据集，使得我们的准确度更高，现在我们要学习如何处理大型数据集。为什么我们要学会处理大型数据集呢？我们之前学习过一种高性能的机器学习算法，是采用低偏差的学习算法，并用大数据进行训练

Lishier99·2022-12-01 07:04

机器学习系列(3)_特征工程01数据预处理

参考链接：1、scikit-learn官网2、sklearn提供的自带的数据集3、Kaggle官网4、数据挖掘——无量纲化文章目录一、数据中台二、sklearn中的数据预处理与特征工程三、数据无量纲化（1）preprocessing.MinMaxScaler归一化（2）preprocessing.StandardScaler标准化（3）如何选择归一化和标准化四、缺失值处理（1）impute.Sim

abc123susie·2022-12-01 04:37

吴恩达机器学习（二十）—— 推荐系统

吴恩达机器学习系列内容的学习目录→\rightarrow→吴恩达机器学习系列内容汇总。

大彤小忆·2022-12-01 02:07

吴恩达机器学习系列课程笔记——第七章：正则化(Regularization)

7.1过拟合的问题https://www.bilibili.com/video/BV164411b7dx?p=39到现在为止，我们已经学习了几种不同的学习算法，包括线性回归和逻辑回归，它们能够有效地解决许多问题，但是当将它们应用到某些特定的机器学习应用时，会遇到过**拟合(over-fitting)**的问题，可能会导致它们效果很差。在这段视频中，我将为你解释什么是过度拟合问题，并且在此之后接下来

Lishier99·2022-11-30 07:27

【吴恩达机器学习笔记】六、过拟合及正则化

视频地址：吴恩达机器学习系列课程❤️如果有收获的话，欢迎点赞收藏，您的支持就是我创作的最大动力六、过拟合及正则化1.过拟合问题在开始介绍这

Pandaconda·2022-11-30 06:44

R语言机器学习系列-决策树回归代码

首先采用rpart包的rpart函数训练决策树模型，需要指定公式、数据集，将模型设定为回归模型，也就是将method设定为anova，最后是控制参数，主要是一些控制决策树生长的预剪枝参数，包括设定树的深度、叶子节点样本量、复杂度参数等，具体可以查阅函数帮助文档。其次输出前述模型的结果，即初始树，同时输出复杂度相关表格和图形。依据这些表格和图形可以确定一个最佳的cp值，进而进行下一步后剪枝。经过后剪

Mrrunsen·2022-11-30 02:21

吴恩达机器学习系列课程笔记——第十六章：推荐系统(Recommender Systems)

16.1问题规划https://www.bilibili.com/video/BV164411b7dx?p=96在接下来的视频中，我想讲一下推荐系统。我想讲推荐系统有两个原因：第一、仅仅因为它是机器学习中的一个重要的应用。在过去几年，硅谷不同的技术公司，吴恩达老师常和工作在这儿致力于机器学习应用的人们聊天，问他们觉得最重要的机器学习的应用是什么，或者他们最想改进的机器学习应用有哪些。我最常听到的答

Lishier99·2022-11-29 09:40

吴恩达机器学习系列课程作业ex3 matlab实现

目录Matlab实现：lrCostFunction.moneVsAll.mpredictOneVsAll.mpredict.mMatlab实现：lrCostFunction.mfunction[J,grad]=lrCostFunction(theta,X,y,lambda)m=length(y);%numberoftrainingexamplestmp=theta;tmp(1)=0;J=-(y'*

d7901699·2022-11-29 08:47

吴恩达机器学习系列课程笔记——第四章：多变量线性回归(Linear Regression with Multiple Variables)

4.1多维特征https://www.bilibili.com/video/BV164411b7dx?p=18目前为止，我们探讨了单变量/特征的回归模型，现在我们对房价模型增加更多的特征，例如房间数、楼层、楼屋年限等，构成一个含有多个变量的模型，模型中的特征为(x1,x2,…,xn)。增添更多特征后，我们引入一系列新的注释：n代表特征的数量x(i)代表第i个训练实例，是特征矩阵中的第i行，是一个*

Lishier99·2022-11-28 20:56

【吴恩达机器学习笔记】五、逻辑回归

视频地址：吴恩达机器学习系列课程❤️如果有收获的话，欢迎点赞收藏，您的支持就是我创作的最大动力五、逻辑回归1.逻辑回归接下来我们要讲的是关

Pandaconda·2022-11-28 20:23

【吴恩达机器学习笔记】四、多变量线性回归

视频地址：吴恩达机器学习系列课程❤️如果有收获的话，欢迎点赞收藏，您的支持就是我创作的最大动力四、多变量线性回归1.多功能在之前的课程中，

Pandaconda·2022-11-28 20:21

【无标题】

机器学习2提示：适合初学者使用提示：记得点点关注，持续更新机器学习系列文章目录机器学习2一、什么是回归？二、什么是线性回归？

临渊——摸鱼·2022-11-28 14:35

【无标题】

机器学习1提示：适合初学者使用提示：写完文章后，记得点点关注，持续更新机器学习系列文章目录机器学习1一、机器学习、人工智能、深度学习是什么关系？二、什么是机器学习？

临渊——摸鱼·2022-11-28 14:03

机器学习算法之逻辑回归

程序员8月书讯每周荐书：JavaWeb、Python极客编程（评论送书）机器学习系列(1)_逻辑回归初步标签：分类逻辑回归机器学习数据挖掘2015-10-1413:1840516人阅读评论(17)收藏举报分类

风少__Hpy·2022-11-27 21:00

机器学习-聚类-思维导图

点击进入：机器学习系列目录其后附有清晰的pdf版本下载链接哦。整理不易，如果您觉得有用的话，请点个赞吧

DevilXiao-CVer·2022-11-27 19:25

R语言机器学习系列-决策树回归代码

在模型构建部分，二分类模型与回归模型大致相似，主要在rpart函数中多了parms参数可以设置，其值是一个list，其中可以指定分裂规则，将其设定为gini则构建CART决策树，将其设定为information则构建ID3决策树；还可以指定损失函数的权重，这个在遇到训练集样本不平衡的情况时比较有用，具体可以看下帮助文档。初始决策树构建好之后，后剪枝、输出变量重要性、树形图的操作均与回归部分类似。得

Mrrunsen·2022-11-27 06:10

吴恩达机器学习系列课程笔记——第十二章：支持向量机(Support Vector Machines)

12.1优化目标https://www.bilibili.com/video/BV164411b7dx?p=70到目前为止,你已经见过一系列不同的学习算法。在监督学习中，许多学习算法的性能都非常类似，因此，重要的不是你该选择使用学习算法A还是学习算法B，**而更重要的是，应用这些算法时，所创建的大量数据在应用这些算法时，表现情况通常依赖于你的水平。**比如：你为学习算法所设计的特征量的选择，以及如

Lishier99·2022-11-26 21:53

机器学习里面的基函数_机器学习系列（一）——基础概念及分类

机器学习基础(一)emm...那个第一篇文章，简单的自我介绍一下，机器学习小白，希望和大家一起进步，有什么问题可以留言一起探讨。本文撰写于2020/1/1是本人学习机器学习时，做的笔记摘要，为方便日后查漏补缺，以博客的形式粘贴出来，文中所引数据及内容仅作学习之用。机器学习是人工智能的一个子集，目前已经发展出许多有用的方法，比如支持向量机，回归，决策树，随机森林，强化方法，集成学习，深度学习等等，一

weixin_39794734·2022-11-26 21:53

机器学习系列（3）——k近邻法（k-NN）

本文介绍k近邻法（k-nearestneighbor,k-NN）和kd树算法。0x01、k近邻法简介k近邻法是基本且简单的分类与回归方法。k近邻法的基本做法是：对给定的训练实例点和输入实例点，首先确定输入实例点的k个最近邻训练实例点，然后利用这k个训练实例点的类的多数来预测输入实例点的类。k近邻模型对应于基于训练数据集对特征空间的一个划分。k近邻法中，当训练集、距离度量、k值及分类决策规则确定后，

陌简宁·2022-11-26 17:09

Python手撸机器学习系列（二）：逻辑斯蒂回归（Logistic Regression）(附Python实现坐标点分类及鸢尾花分类)

目录一、原理1.1将回归变为分类1.2目标函数的确立1.2.1极大似然估计求目标函数1.3求解二、代码实现2.1平面坐标点的分类2.2鸢尾花分类三、联系方式一、原理1.1将回归变为分类逻辑斯蒂回归是一个经典的二分类模型，它的精髓在于用线性回归做二分类（或多分类，本文以二分类为主）。线性回归的输出为没有约束的连续值，而分类在于0和1两个值，如何从回归值到分类值就需要一个映射，于是引入了sigmoid

锌a·2022-11-26 02:21

【吴恩达机器学习笔记】三、矩阵

视频地址：吴恩达机器学习系列课程❤️如果有收获的话，欢迎点赞收藏，您的支持就是我创作的最大动力三、矩阵1.矩阵和向量矩阵（Matrix）矩

Pandaconda·2022-11-25 19:17

【吴恩达机器学习笔记】一、引言

视频地址：吴恩达机器学习系列课程❤️如果有收获的话，欢迎点赞收藏，您的支持就是我创作的最大动力一、引言1.监督学习定义：监督学习（Supe

Pandaconda·2022-11-25 19:13

【吴恩达机器学习笔记】二、单变量线性回归

视频地址：吴恩达机器学习系列课程❤️如果有收获的话，欢迎点赞收藏，您的支持就是我创作的最大动力二、单变量线性回归常用表达符号：假设函数（H

Pandaconda·2022-11-25 08:27

吴恩达机器学习系列课程笔记——第八章：神经网络：表述(Neural Networks: Representation)

8.1非线性假设https://www.bilibili.com/video/BV164411b7dx?p=43我们之前学的，无论是线性回归还是逻辑回归都有这样一个缺点，即：当特征太多时，计算的负荷会非常大。下面是一个例子：当我们使用x1、x2的多次项式进行预测时，我们可以应用的很好。之前我们已经看到过，使用非线性的多项式项，能够帮助我们建立更好的分类模型。但假设我们有非常多的特征，例如大于100

Lishier99·2022-11-24 05:39

机器学习系列8：逻辑回归的代价函数

还记得我们原来在线性回归中学过的代价函数吗？我们把黄色部分用函数的形式来表示：如果我们在逻辑回归中也用这个代价函数去拟合参数行不行呢？答案是不行。因为这个代价函数在逻辑回归中的图像是这个样子的：这是一个非凸函数，有多个局部最优解，运用梯度下降算法并不会收敛到它的全局最优解，这样就达不到我们预期的效果。那该怎么办呢？让我们来学习逻辑回归中的代价函数吧。逻辑回归的代价函数是这样的：让我们具体的看一下它

SuperFengCode·2022-11-24 05:24

VScode使用tensorflow全程记录

VScode开发机器学习系列一如何使用vscode进行tensorflow开发python安装下载pip查看CUDAtensorflow下载安装配置vscode如何使用vscode进行tensorflow

小白小白快点跑·2022-11-23 23:35

正则化防止过拟合

为了更好的了解过拟合以及为后面做铺垫，还是先看一个吴恩达机器学习系列课程中一个线性回归来预测房价的例子吧Size表示房子的大小，Price表示预测的房子价格。

words8·2022-11-23 10:53

＜＜从零入门机器学习＞＞通过Anaconda管理工具安装Scikit-Learn机器学习算法库并举例使用（以K近邻算法为例）第四讲

3.2整个测试案例的源代码(供大家参考)4.本篇博客的总结5.机器学习系列博客的说明和展望1.文章主要内容本篇博客致力于讲解Scikit-

弗兰随风小欢·2022-11-23 06:18

基于深度学习的车牌识别系统【YOLO+MLP】

chimigaipangsh8139·2022-11-21 12:10

机器学习系列文章-决策树

决策树由于我们是使用sklearn对决策树代码进行实现，所以并不是很关心其原理部分。但我仍需要对其进行一定的了解。通过查询资料，去学习了下决策树的原理，这里对其原理进行简要介绍。注：这里决策树的原理是通过这个网站来学习的，这里只做记录。机器学习实战教程（二）：决策树基础篇之让我们从相亲说起(cuijiahua.com)决策树原理决策树是一种基本的分类与回归方法。决策树可以这样理解为：由决策树的根结

「已注销」·2022-11-21 08:23

xgboost简单介绍_XGBOOST模型介绍

描述前言这是机器学习系列的第三篇文章，对于住房租金预测比赛的总结这将是最后一篇文章了，比赛持续一个月自己的总结竟然也用了一个月，牵强一点来说机器学习也将会是一个漫长的道路，后续机器学习的文章大多数以知识科普为主

一直成长·2022-11-21 08:42

吴恩达机器学习系列课程笔记——第三章：线性代数回顾(Linear Algebra Review)

3.1矩阵和向量https://www.bilibili.com/video/BV164411b7dx?p=12矩阵的维数即行数×列数矩阵元素（矩阵项）：Aij指第i行，第j列的元素。向量是一种特殊的矩阵，讲义中的向量一般都是列向量，如如下图为1索引向量和0索引向量，左图为1索引向量，右图为0索引向量，一般我们用1索引向量。3.2加法和标量乘法https://www.bilibili.com/vi

Lishier99·2022-11-20 23:43

上手机器学习系列-第6篇（上）-LightGBM编码

LightGBM相比于XGBoost，LightGBM官网的文档、Github写得都不敢让人恭维（缺少细节、案例语焉不详）。因此本篇从实际使用角度来介绍用法，就显得更有意义了。安装LightGBM号称的速度快不是没有成本的，它底层依赖了一些并行处理的库文件，因此在安装的时候会遇到各种问题。笔者已经单独写了一篇短文分享，详见本人CSDN博客《Mac环境下安装LightGBM的苦难记》。假设你已经排除

a_step_further·2022-11-20 19:11

python-机器学习-决策树深度影响分析

python-机器学习-决策树深度影响本文是python-机器学习系列第三篇，对决策数深度影响分析此次的决策树算法是引用我上一篇决策树算法链接：python-机器学习-决策树算法代码如下：#-*-coding

weixin_35830789·2022-11-20 16:35

向毕业妥协系列之深度学习笔记（一）浅层神经网络

普通式子反向传播求导2.逻辑回归中的梯度下降3.m个样本的梯度下降三.向量化四.python广播五.激活函数六.随机初始化深度学习系列的文章也可以结合下面的笔记来看：深度学习笔记-目录一.神经网络杂记这个系列的学习和机器学习系列的课程有很多重复的部分

深海鱼肝油ya·2022-11-20 13:35

Python手撸机器学习系列（六）：决策树（附Python实现西瓜书决策树构建及剪枝代码）

目录决策树一、ID3决策树1.1信息熵1.2信息增益1.3数据集1.3ID3决策树基础代码实现二、C4.5决策树2.1增益率2.2C4.5决策树基础代码实现三、CART决策树3.1基尼指数3.2CART决策树基础代码实现四、决策树剪枝五、连续值决策树、缺失值决策树六、参考文献及联系方式决策树根据划分方法不同可以分为ID3、CART、C4.5三种决策树一、ID3决策树1.1信息熵决策树算法的关键在于

锌a·2022-11-20 08:28

吴恩达机器学习系列课程笔记

视频资源获取：https://www.bilibili.com/video/BV164411b7dx?p=1有监督学习：给算法包含正确答案的数据集，算法的任务就是根据数据集给出更多的正确答案。回归问题（Regression）：预测一个连续的输出值，预测出连续值属性的类型。在回归问题中，我们试图在连续输出中预测结果，这意味着我们试图将输入变量映射到某个连续函数。分类问题（Classification

chen_nnn·2022-11-20 04:15

机器学习系列5---偏差和方差分解

机器学习的目的就是通过选择合适的算法确定输入和输出变量之间的映射关系，不同学习算法的对比指标一般是对应模型的泛化性能，但是在实际分析过程中模型泛化性能不是单一成分，不同数据集划分或者样本选择均会对泛化性能的不同部分产生影响，一般将学习算法对应模型的泛化误差分为两部分：偏差（预测集）+方差（训练集），具体推导过程如下：假设对于测试样本，令对应变量标记为，真实输出为；训练集D的模型输出为，则对于测试样

一条大咸咸鱼·2022-11-19 11:15

机器学习系列：朴素贝叶斯算法

这是之前写的一篇东西，目的是让人能够全面的理解以朴素贝叶斯为代表的相关算法。0.机器学习的任务给定一系列分布未知的数据{xi,yi}i=1N\{{\bf{x_i}},y_i\}_{i=1}^{N}{xi,yi}i=1N，其中yyy符合未知条件分布F(y∣x)F(y|{\bfx})F(y∣x)。机器学习需要确定一个函数集f(x,θ),θ∈Θf({\bfx},\theta),\theta\in\The

弹键盘的小孩·2022-11-18 00:09

机器学习系列（4）——朴素贝叶斯法

本文介绍朴素贝叶斯法，及其在sklearn中的实现。0x01、朴素贝叶斯法简介朴素贝叶斯（naiveBayes）法是基于贝叶斯定理与特征条件独立假设的分类方法。对于给定的训练数据集，首先基于特征条件独立假设学习输入输出的联合概率分布，然后基于此模型，对给定的输入x，利用贝叶斯定理求出后验概率最大的输出y。（1）朴素贝叶斯法是典型的生成学习方法。生成方法由训练数据学习联合概率分布，然后求得后验概率分

陌简宁·2022-11-17 13:37

推荐频道

机器学习系列

“模型评估”面试知识点总结-百面机器学习系列2

气象类Python编程实战案例项目汇总

机器学习系列（一）—— ROC曲线与AUC

机器学习系列(二)——评价指标Precision和Recall

【机器学习系列】变分推断第一讲：Variational Inference背景和用途

模式识别学习笔记——判别函数和高斯分布

ai_百面机器学习系列笔记_高斯过程

图上的机器学习系列-聊聊DeepWalk

机器学习：使用scikit-learn的线性回归预测Google股票

9.XGBoost

吴恩达机器学习系列课程笔记——第十七章：大规模机器学习(Large Scale Machine Learning)

机器学习系列(3)_特征工程01数据预处理

吴恩达机器学习（二十）—— 推荐系统

吴恩达机器学习系列课程笔记——第七章：正则化(Regularization)

【吴恩达机器学习笔记】六、过拟合及正则化

R语言机器学习系列-决策树回归代码

吴恩达机器学习系列课程笔记——第十六章：推荐系统(Recommender Systems)

吴恩达机器学习系列课程作业ex3 matlab实现

吴恩达机器学习系列课程笔记——第四章：多变量线性回归(Linear Regression with Multiple Variables)

【吴恩达机器学习笔记】五、逻辑回归

【吴恩达机器学习笔记】四、多变量线性回归

【无标题】

【无标题】

机器学习算法之逻辑回归

机器学习-聚类-思维导图

R语言机器学习系列-决策树回归代码

吴恩达机器学习系列课程笔记——第十二章：支持向量机(Support Vector Machines)

机器学习里面的基函数_机器学习系列（一）——基础概念及分类

机器学习系列（3）——k近邻法（k-NN）

Python手撸机器学习系列（二）：逻辑斯蒂回归（Logistic Regression）(附Python实现坐标点分类及鸢尾花分类)

【吴恩达机器学习笔记】三、矩阵

【吴恩达机器学习笔记】一、引言

【吴恩达机器学习笔记】二、单变量线性回归

吴恩达机器学习系列课程笔记——第八章：神经网络：表述(Neural Networks: Representation)

机器学习系列8：逻辑回归的代价函数

VScode使用tensorflow全程记录

正则化防止过拟合

＜＜从零入门机器学习＞＞ 通过Anaconda管理工具安装Scikit-Learn机器学习算法库并举例使用（以K近邻算法为例）第四讲

基于深度学习的车牌识别系统【YOLO+MLP】

机器学习系列文章-决策树

xgboost简单介绍_XGBOOST模型介绍

吴恩达机器学习系列课程笔记——第三章：线性代数回顾(Linear Algebra Review)

上手机器学习系列-第6篇（上）-LightGBM编码

python-机器学习-决策树深度影响分析

向毕业妥协系列之深度学习笔记（一）浅层神经网络

Python手撸机器学习系列（六）：决策树（附Python实现西瓜书决策树构建及剪枝代码）

吴恩达机器学习系列课程笔记

机器学习系列5---偏差和方差分解

机器学习系列：朴素贝叶斯算法

机器学习系列（4）——朴素贝叶斯法

＜＜从零入门机器学习＞＞通过Anaconda管理工具安装Scikit-Learn机器学习算法库并举例使用（以K近邻算法为例）第四讲