摘要：
1.手写数字数据集 from sklearn.datasets import load_digits digits = load_digits() 2.图片数据预处理 x：归一化MinMaxScaler() y：独热编码OneHotEncoder()或to_categorical 训练集测试集划分 阅读全文
摘要：
1.简述人工智能、机器学习和深度学习三者的联系与区别。 联系：深度学习使得机器学习能够实现众多应用，并拓展了人工智能的领域范畴。 区别：人工智能是目的，是结果；深度学习、机器学习是方法，是工具；深度学习则是一种实现机器学习的技术；它适合处理大数据。 2. 全连接神经网络与卷积神经网络的联系与区别。 阅读全文
摘要：
1.读取 2.数据预处理 3.数据划分—训练集和测试集数据划分 from sklearn.model_selection import train_test_split x_train,x_test, y_train, y_test = train_test_split(data, target, 阅读全文
摘要：
1. 读邮件数据集文件，提取邮件本身与标签。 列表 numpy数组 2.邮件预处理 邮件分句 名子分词 去掉过短的单词 词性还原 连接成字符串 传统方法来实现 nltk库的安装与使用 pip install nltk import nltk nltk.download() # sever地址改成 h 阅读全文
摘要：
1.理解分类与监督学习、聚类与无监督学习。 简述分类与聚类的联系与区别。 （1）联系：将所有的数据按照对应的目标点分成几类； （2）区别：分类就是判断一个点属于哪个类别，整体数据是有划分类别，每个点都有对应的类别； 聚类是将数据集中相似的数据划分为一起，没有数据类别。 简述什么是监督学习与无监督学习 阅读全文
摘要：
一、用自己的话描述出其本身的含义： 1、特征选择 在所有数据样本的特征中选择出对预测结果有影响的特征，比如，我们想要预测一部手机的使用寿命是多长时，在所有的特征中保留内存，处理器，损坏程度等等这些特征，可以去除掉手机的颜色，大小，重量等等这些无关的特征，这样我们就能集合有效的信息得到有效的预测结果。 阅读全文
摘要：
用过滤法对以下数据进行特征选择： [[0,2,0,3], [0,1,4,3], [0,1,1,3]] 要求： 1、Variance Threshold（threshold =1.0） 2、将结果截图放上来（没有条件的备注说明原因）注意：每个人的电脑ID是不一样的 from sklearn.featu 阅读全文
摘要：
1.逻辑回归是怎么防止过拟合的？为什么正则化可以防止过拟合？（大家用自己的话介绍下） 1）逻辑回归是正则化防止过拟合的。 2）正则化是控制模型空间的一种办法，就比如我们在一个袋子里装的样本越多，其复杂度越大，这时我们通过 适当的控制袋子的大小来防止样本复杂。正则化就是通过控制控制模型空间使其不要太大 阅读全文
摘要：
1.用自己的话描述一下，什么是逻辑回归，与线性回归对比，有什么不同？ 逻辑回归是一种广义的线性回归分析模型，它的输入可以连续型输入，输出为离场型输出； 区别： 线性回归要求因变量必须是连续性数据变量；逻辑回归要求因变量必须是分类变量，二分类或者多分类的； 2.自述一下什么是过拟合和欠拟合？ 过拟合： 阅读全文
摘要：
1.本节重点知识点用自己的话总结出来，可以配上图片，以及说明该知识点的重要性 回归算法的定义：我们可以根据现有提供的数据进行运算，构建函数模型，对数据进行训练， 从而可以用构建好的模型进行预测，得出的结果可以有离散型和连续型。 回归算法的应用：房价的预测和销售额的预测 矩阵：矩阵一个按照长方阵列排列 阅读全文