之前在《机器学习---感知机（Machine Learning Perceptron）》一文中介绍了感知机算法的理论知识，现在让我们来实践一下。 有两个数据文件：data1和data2，分别用于PLA和Pocket Algorithm。可在以下地址下载： 先回顾一下感知机算法： 1，初始化w 2，找出一个分类错误点 3，修正错误，假设迭代次数为t次（t=1,2,...），那么修正公式为： 4，直至没有分类错误点，返回最终的w 接下来让我们安照算法步骤，一步一步进行。 首先...
import numpy as np import matplotlib.pyplot as pltfrom sklearn import datasets, linear_model,svm from sklearn.model_selection import train_test_splitdef load_data_regression():加载用于回归问题的数据集diabetes = datasets.load_diabetes() #使用 scikit-learn 自带的一个糖尿病病人的数据集# 拆分成训练集和测试集，测试集大小为原始数据集大小的 1/4return train_test_split(diabetes.data,diabetes.target,test_si...
import numpy as np import matplotlib.pyplot as pltfrom sklearn import datasets, linear_model,svm from sklearn.model_selection import train_test_splitdef load_data_classfication():加载用于分类问题的数据集# 使用 scikit-learn 自带的 iris 数据集iris=datasets.load_iris() X_train=iris.datay_train=iris.target# 分层采样拆分成训练集和测试集，测试集大小为原始数据集大小的 1/4return train_test_split(X_train, ...
Roy 马哥Linux运维 4月9日 写爬虫有一个绕不过去的问题就是验证码，现在验证码分类大概有4种： 图像类 滑动类 点击类 语音类 今天先来看看图像类，这类验证码大多是数字、字母的组合，国内也有使用汉字的。在这个基础上增加噪点、干扰线、变形、重叠、不同字体颜色等方法来增加识别难度。相应的，验证码识别大体可以分为下面几个步骤： 灰度处理 增加对比度(可选) 二值化 降噪 倾斜校正分割字符 建立训练库 识别 由于是实验性质的...
import numpy as np import matplotlib.pyplot as pltfrom sklearn import neighbors, datasets from sklearn.model_selection import train_test_splitdef load_classification_data():# 使用 scikit-learn 自带的手写识别数据集 Digit Datasetdigits=datasets.load_digits() X_train=digits.datay_train=digits.target# 进行分层采样拆分，测试集大小占 1/4return train_test_split(X_train, y_train,test_size=0.25,random_stat...
import matplotlib.pyplot as pltfrom sklearn import datasets,naive_bayes from sklearn.model_selection import train_test_split# 加载 scikit-learn 自带的 digits 数据集 def load_data():加载用于分类问题的数据集。这里使用 scikit-learn 自带的 digits 数据集digits=datasets.load_digits()return train_test_split(digits.data,digits.target,test_size=0.25,random_state=0,stratify=digits.target)def show_digits():...
首先安装了anaconda3软件，安装的是最新版，安装时勾选了写入环境变量，支持的是python3.7.3版本。 然后设置了清华大学的镜像，主要是用管理员身份运行 anaconda prompt命令行，然后执行conda config命令，然后执行conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/?? 添加清华大学镜像下载地址 conda config --show channels 该命令行可以得到目前可以使用的下载地址，包括刚刚我们添加的镜...
import numpy as np import matplotlib.pyplot as pltfrom matplotlib import cm from mpl_toolkits.mplot3d import Axes3D from sklearn.model_selection import train_test_split from sklearn import datasets, linear_model,discriminant_analysisdef load_data():# 使用 scikit-learn 自带的 iris 数据集iris=datasets.load_iris()X_train=iris.datay_train=iris.targetreturn train_test_split(X_train, y_train,test_size=0...
import numpy as np import matplotlib.pyplot as pltfrom sklearn import datasets, linear_model from sklearn.model_selection import train_test_splitdef load_data():diabetes = datasets.load_diabetes()return train_test_split(diabetes.data,diabetes.target,test_size=0.25,random_state=0)#岭回归 def test_Ridge(*data):X_train,X_test,y_train,y_test=dataregr = linear_model.Ridge()regr.fit(X_train, y_train)pri...
import numpy as np import matplotlib.pyplot as pltfrom sklearn import datasets, linear_model from sklearn.model_selection import train_test_splitdef load_data():diabetes = datasets.load_diabetes()return train_test_split(diabetes.data,diabetes.target,test_size=0.25,random_state=0)#Lasso回归 def test_Lasso(*data):X_train,X_test,y_train,y_test=dataregr = linear_model.Lasso()regr.fit(X_train, y_train)...
理解 特点 作用 最小化一个损失函数 最大化一个效用函数：梯度上升法 随机梯度下降法 以单个数据作为梯度下降的依据 优点 批量梯度下降法 以整体数据作为每次梯度下降的方向的根据 小批量梯度下降法...
In?[1]:?? ? ? ?from sklearn import datasets??In?[2]:?? ? ? ?boston = datasets.load_boston() X = boston.data y = boston.target #去除不真实的数据 X = X[y < 50] y = y[y < 50] ???In?[3]:?? ? ? ?from sklearn.model_selection import train_test_split #载入数据切分工具??In?[5]:?? ? ? ?X_train, X_test, y_train, y_test = train_test_split(X,y,test_size = 0.2,random_state=666) #切分数据??In?[6]:?? ? ? ?from...
理解 以a b为变量，预测值与真值的差的平方和为结果的函数 参数学习的基本方法：找到最优参数使得预测与真实值差距最小 假设可以找到一条直线 y = ax+b 使得预测值与真值的差的平方和最小 故事 假设你面前有一堆男人 这些男人的基本信息全部掌握，包括他们的年收入 简单线性回归 简单线性回归的思想就是：假设你相信，这些男人的身高越高，年收入越高，然后找到一个一元线性方程 ，让这个方程猜得最准，然后 把这个方程记...
import numpy as np from sklearn import datasets# 载入数据包??In?[2]:?? ? ? ?digits = datasets.load_digits()#读取数据 X = digits.data#定义X y = digits.target#定义y??In?[3]:?? ? ? ?from sklearn.model_selection import train_test_split #载入数据切分工具??In?[4]:?? ? ? ?X_train, X_test, y_train, y_test = train_test_split(X,y,test_size = 0.2)#数据切分???Signature: train_test_split(arrays, *options) Docs...
Isolation，意为孤立/隔离，是名词，其动词为isolate，forest是森林，合起来就是“孤立森林”了，也有叫“独异森林”，好像并没有统一的中文叫法。可能大家都习惯用其英文的名字isolation forest，简称iForest 。iForest适用于连续数据（Continuous numerical data）的异常检测，将异常定义为“容易被孤立的离群点（more likely to be separated）”——可以理解为分布稀疏且离密度高的群体较远的点。用统计学来解释，在数据空间里...