NumPy提供了迭代器对象NumPy.nditer，是一个高效的多维迭代器对象，可以使用它对数组进行迭代，使用Python的标准迭代器接口访问数组元素。 示例import numpy as np a = np.array([[1,2,3,4],[2,4,5,6],[10,20,39,3]]) print("打印数组:") print(a); print("\n") print("数组迭代:") for x in np.nditer(a): print(x, end= ) print("\n") 输出打印数组: [[ 1 2 3 4][ 2 4 5 6][10 20 39 3]]数组迭代: 1 2 3 4 2 ...
NumPy包中，可用位操作函数进行位运算。bitwise_and 位与运算 bitwise_or 位或运算 invert 位非运算 left_shift 左移位 right_shift 右移位bitwise_and 要对数值进行位与运算，可以使用bitwise_and()函数。 示例import numpy as np print (\n13与17的二进制表示:) a,b = 13,17 print (bin(a)) print (bin(b))print (\n13与17相与:) c = np.bitwise_and(13, 17) print (bin(c))输出13与17的二进制表示: 0b1101 0b1000113与17相与:...
要创建ndarray数组对象，除了使用底层的ndarray构造函数(ndarray.array())，还可以使用下面介绍的函数。 numpy.empty empty函数创建未初始化数组，可以指定数组形状和数据类型。 语法如下所示：numpy.empty(shape, dtype = float, order = C) 参数：shape: 指定数组的形状。 dtype: 数组项的数据类型。默认值是浮点数。 order: 默认顺序是c语言形式的内存顺序(按行排列)。也可以设置为Fortran语言形式的内存顺序(按列排列)：order...
ID3算法缺点 它一般会优先选择有较多属性值的Feature，因为属性值多的特征会有相对较大的信息增益，信息增益反映的是，在给定一个条件以后，不确定性减少的程度， 这必然是分得越细的数据集确定性更高，也就是条件熵越小，信息增益越大。为了解决这个问题，C4.5就应运而生，它采用信息增益率来作为选择分支的准则。 C4.5算法原理 信息增益率定义为： 其中，分子为信息增益（信息增益计算可参考上一节ID3的算法原理）...
ID3，C4.5算法缺点 ID3决策树可以有多个分支，但是不能处理特征值为连续的情况。 在ID3中，每次根据“最大信息熵增益”选取当前最佳的特征来分割数据，并按照该特征的所有取值来切分， 也就是说如果一个特征有4种取值，数据将被切分4份，一旦按某特征切分后，该特征在之后的算法执行中， 将不再起作用，所以有观点认为这种切分方式过于迅速。 C4.5中是用信息增益比率(gain ratio)来作为选择分支的准则。和ID3一样，C4.5算法分类结果...
算法原理 朴素贝叶斯是经典的机器学习算法之一，也是为数不多的基于概率论的分类算法。朴素贝叶斯原理简单，也很容易实现，多用于文本分类，比如垃圾邮件过滤。 该算法的优点在于简单易懂、学习效率高、在某些领域的分类问题中能够与决策树、神经网络相媲美。 但由于该算法以自变量之间的独立（条件特征独立）性和连续变量的正态性假设为前提，就会导致算法精度在某种程度上受影响。 marco 博客https://www.cnblogs.com/marc01in/p...
1. KNN原理 KNN（k-Nearest Neighbour）：K-近邻算法，主要思想可以归结为一个成语：物以类聚 1.1 工作原理 给定一个训练数据集，对新的输入实例，在训练数据集中找到与该实例最邻近的 k （k <= 20）个实例，这 k 个实例的多数属于某个类， 就把该输入实例分为这个类。 https://www.cnblogs.com/ybjourney/p/4702562.html给出的例子很形象，这里借用一下。 如下图，绿色圆要被决定赋予哪个类，是红色三角形还是蓝色四方形？如果K=3...
基本思路 Adaboost体现的是“三个臭皮匠，胜过一个诸葛亮”，它是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器(弱分类器)， 然后把这些弱分类器集合起来，构成一个更强的最终分类器（强分类器）。训练过程如下（参考Andy的机器学习--浅析Adaboost算法，他说得非常形象，贴切。） 简单的来说：图中的y1(x),y2(x)....ym(x)都是弱分类器（顾名思义，弱分类器就是分类能力很弱，仅比随机分类好一点点的分类器）...
1.KNN 分类算法 由于knn算法涉及到距离的概念，KNN 算法需要先进行归一化处理 1.1 归一化处理 scalerfrom sklearn.preprocessing import StandardScalerstandardScaler =StandardScaler()standardScaler.fit(X_train) X_train_standard = standardScaler.transform(X_train) X_test_standard = standardScaler.transform(X_test)归一化之后送入模型进行训练from sklearn.neighbors import KNeighborsClassifierknn_clf = KNeighbor...
机器学习 集成学习篇——python实现Bagging和AdaBOOST算法摘要Bagging算法Adaboost算法 摘要 本文通过python实现了集成学习中的Bagging和AdaBOOST算法，并将代码进行了封装，方便读者调用。 Bagging算法 import numpy as np import pandas as pd class Cyrus_bagging(object):def __init__(self,estimator,n_estimators = 20):self.estimator = estimatorself.n_estimators = n_estimatorsself.models = Nonedef fit(self,x,y):x =...
近年来，数据分析，数据挖掘和数据科学等领域不可谓不火热。而且人工智能、算法、数据科学领域的薪酬普遍高于传统互联网行业。既然决定从事互联网行业，那就得给自己找一个不错的方向，并为之不断学习~ 数据挖掘的概念： 数据挖掘可以简单的理解为从大量数据中提取或挖掘知识或者说是知识发现。 数据挖掘应用了众多领域的思想，包括来自统计学的抽样、估计和假设检验；来自人工智能、模式识别和机器学习的搜索算法、建模技术和学习...
一、前言文中部分内容来自书籍和网络，部分内容为自己的理解。希望借助笔记的方式能够加深自己对该部分知识的掌握，也作为日后回顾的记录。 二、基本概念很多小伙伴听到数据挖掘这四个字的时候很困惑，虽然字面意思大家都知道，但是数据挖掘到底是个什么东西，需要用到什么技术来实现却并不了解，下面我们就来剖析一下，到底什么是数据挖掘。 按照惯例，先来一个百度百科的定义：数据挖掘（英语：Data mining），又译为资料探勘、数...
#原代码4-2中条件概率分母有误, 如P(cute=1|ci=0)应为1/3. def trainNB0(trainMatrix, trainCategory):numTrainDocs = len(trainMatrix)numWords = len(trainMatrix[0])pAbusive = sum(trainCategory)/float(numTrainDocs)p0Num = ones(numWords)p1Num = ones(numWords)p0Denom = 2.0p1Denom = 2.0for i in range(numTrainDocs):if trainCategory[i] == 1:p1Num += trainMatrix[i]p1Denom += 1 #条件概率分母修正else:p0Num += tra...
前言整理SVM（support vector machine）的笔记是一个非常麻烦的事情，一方面这个东西本来就不好理解，要深入学习需要花费大量的时间和精力，另一方面我本身也是个初学者，整理起来难免思路混乱。所以我对SVM的整理会分为四篇（暂定为四篇）学习，不足之处，请多多指导。四篇分别为： Python机器学习笔记：SVM（1）——SVM概述 Python机器学习笔记：SVM（2）——SVM核函数 Python机器学习笔记：SVM（3）——证明SVM Python机器学习笔...
作者 | 唐小引 头图 | HackerEarth 报告 出品 | CSDN（ID：CSDNnews）Go 正变得越来越受开发者欢迎。 几年前，滴滴的工程师曾告诉我，在滴滴 Go 已经得到了非常广泛的应用，去年，在腾讯内部使用的编程语言排行榜中，Go 已经排到了第 3 的位置。而今天，由专业开发技能测评平台 HackerEarth 发起的，来自全球 76 个国家及地区 16,655 位开发者参与的「2020 开发者调查报告」告诉我们一个真相： 拥有部署简单、并发性好、语言设计良...