新手学习机器学习很难，就是收集资料也很费劲。所幸Robbie Allen从不同来源收集了目前最全的有关机器学习、Python和相关数学知识的速查表大全。强烈建议收藏！机器学习有很多方面。 当我开始刷新这个主题时，我遇到了各种“速查表”，仅仅列出了需要知道的给定主题的所有要点。 最后，我收集了与机器学习相关的速查表。有些我经常参考，认为其他人也可能从中受益。因此， 这篇文章把我在网上发现的很好的27个速查表分享出来，以供大...
摘要：Classification And Regression Tree(CART)是一种很重要的机器学习算法，既可以用于创建分类树（Classification Tree），也可以用于创建回归树（Regression Tree），本文介绍了CART用于离散标签分类决策和连续特征回归时的原理。决策树创建过程分析了信息混乱度度量Gini指数、连续和离散特征的特殊处理、连续和离散特征共存时函数的特殊处理和后剪枝；用于回归时则介绍了回归树和模型树的原理、适用场景和创建过程。个人认为...
线性回归第一个机器学习算法 - 单变量线性回归原文：https://blog.51cto.com/13810716/2468505
Numpy代表numeric python，是一个用于计算、处理多维数组的python包。NumPy包由Travis Oliphant在2005年创建，基于原来的Numeric模块与Numarray模块，大部分是用c语言编写的。NumPy提供各种强大的数据结构(多维数组和矩阵)，以及对这些数据结构的强大运算能力。为什么需要NumPy随着数据科学革命的到来，NumPy、SciPy、pandas等数据分析库得到了很大的发展。python的语法比其他编程语言简单很多，同时又具有强大的数据计算能力，是数...
import numpy as np
import operator as opfrom math import logdef createDataSet():dataSet = [[1, 1, ‘yes‘],[1, 1, ‘yes‘],[1, 0, ‘no‘],[0, 1, ‘no‘],[0, 1, ‘no‘]]labels = [‘no surfacing‘,‘flippers‘]return dataSet, labelsdataSet,labels = createDataSet()
print(dataSet)
print(labels)def calcShannonEnt(dataSet):labelCounts = {}for featVec in dataSet: currentLabel = featVec[-1]if(currentLabel...
python3 学习api的使用git: https://github.com/linyi0604/MachineLearning代码： 1from sklearn.datasets import load_boston2from sklearn.cross_validation import train_test_split3from sklearn.preprocessing import StandardScaler4from sklearn.tree import DecisionTreeRegressor5from sklearn.metrics import r2_score, mean_squared_error, mean_absolute_error6import numpy as np7 8‘‘‘ 9回归树：
10 严格上说 ...
K-means聚类算法测试：# -*- coding: utf-8 -*-"""
Created on Thu Aug 31 10:59:20 2017@author: Administrator
"""‘‘‘
现有1999年全国31个省份城镇居民家庭平均每人全年消费性支出的八个主
要变量数据，这八个变量分别是：食品、 衣着、 家庭设备用品及服务、 医疗
保健、 交通和通讯、 娱乐教育文化服务、 居住以及杂项商品和服务。 利用已
有数据，对31个省份进行聚类。
‘‘‘import numpy as np
from sklearn.cluster imp...
一、聚类的概念聚类分析是在数据中发现数据对象之间的关系，将数据进行分组，组内的相似性越大，组间的差别越大，则聚类效果越好。我们事先并不知道数据的正确结果(类标)，通过聚类算法来发现和挖掘数据本身的结构信息，对数据进行分簇(分类)。聚类算法的目标是，簇内相似度高，簇间相似度低二、基本的聚类分析算法 1. K均值(K-Means)： 基于原型的、划分的距离技术，它试图发现用户指定个数(K)的簇。 2. 凝聚的层次距...
import numpy as npa = np.arange(6).reshape(2,3)b = np.random.randint(10,20,size=(4,3))#concatenate(array_list,axis=0/1) 沿着指定axis进行数组合并 0为行，1为列，默认为0#np.vstack或者np.row_stack（array_list）按照行合并#np.hstack或者np.column_stack(array_list) 按照列合并c=np.concatenate([a,b])d=np.vstack([a,b])e=np.row_stack([a,b])m= np.arange(6).reshape(3,2)n= np.random.randint(10,20,size=(3,2))p= n...
使用python3 学习了线性回归的api分别使用逻辑斯蒂回归 和 随机参数估计回归 对良恶性肿瘤进行预测我把数据集下载到了本地，可以来我的git下载源代码和数据集:https://github.com/linyi0604/kaggle 1import numpy as np2import pandas as pd3from sklearn.cross_validation import train_test_split4from sklearn.preprocessing import StandardScaler5from sklearn.linear_model import LogisticRegression, SGDClassifier6...
from sklearn.preprocessing import StandardScaler#数据预处理标准化StandardScaler模型def test_StandardScaler():X=[[1,5,1,2,10],[2,6,3,2,7],[3,7,5,6,4,],[4,8,7,8,1]]print("before transform:",X)scaler=StandardScaler()scaler.fit(X)print("scale_ is :",scaler.scale_)print("mean_ is :",scaler.mean_)print("var_ is :",scaler.var_)print("after transform:",scaler.transform(X))# 调用 test_StandardScaler
test_S...
机器学习近来火得可谓人尽皆知。其实楼主现在的研究方向是椭圆曲线密码的硬件实现。so，我一直以为这跟Python，神经网络啥的确是八竿子打不着，然而，这个世界上就是不缺那种能开先河能摆证据撂服众生的大神。举个栗子这篇文章learing the enigma with recurrent Neural Networks。是 2017年发表于AAAI 的一篇文章，AAAI 2017是指第31届人工智能大会AAAI-17，是人工智能领域的最重磅会议之一。所以楼主也是很好奇，这里的RNN究竟是...
@sprt
*写在开头：博主在开始学习机器学习和Python之前从未有过任何编程经验，这个系列写在学习这个领域一个月之后，完全从一个入门级菜鸟的角度记录我的学习历程，代码未经优化，仅供参考。有错误之处欢迎大家指正。
系统：win7-CPU;
编程环境：Anaconda2-Python2.7，IDE：pycharm5;
参考书籍：
《Neural Networks and Learning Machines(Third Edition)》- Simon Haykin;
《Machine Learning in Action》- Peter Harringto...
from sklearn.preprocessing import Normalizer#数据预处理正则化Normalizer模型def test_Normalizer():X=[[1,2,3,4,5],[5,4,3,2,1],[1,3,5,2,4,],[2,4,1,3,5]]print("before transform:",X)normalizer=Normalizer(norm=‘l2‘)print("after transform:",normalizer.transform(X))# 调用 test_Normalizer
test_Normalizer() 原文：https://www.cnblogs.com/tszr/p/10801982.html
python3 学习机器学习api使用两种k近邻回归模型 分别是 平均k近邻回归 和 距离加权k近邻回归 进行预测git: https://github.com/linyi0604/MachineLearning代码： 1from sklearn.datasets import load_boston2from sklearn.cross_validation import train_test_split3from sklearn.preprocessing import StandardScaler4from sklearn.neighbors import KNeighborsRegressor5from sklearn.metrics import r2_score, mean_squared_err...
