zz,ZZ

摘要： 一、boston房价预测 线性模型可以是用曲线拟合样本，但是分类的决策边界一定是直线的。多项式模型是曲线形式，比线性回归模型更加贴近样本点分布的范围，误差值更小。 二、中文文本分类 阅读全文

摘要： 1. 导入boston房价数据集 2. 一元线性回归模型，建立一个变量与房价之间的预测模型，并图形化显示。 3. 多元线性回归模型，建立13个变量与房价之间的预测模型，并检测模型好坏，并图形化显示检查结果。 4. 一元多项式回归模型，建立一个变量与房价之间的预测模型，并图形化显示。 阅读全文

摘要： 1. 数据准备：收集数据与读取 2. 数据预处理：处理数据 3. 训练集与测试集：将先验数据按一定比例进行拆分。 4. 提取数据特征，将文本解析为词向量 。 5. 训练模型：建立模型，用训练数据训练模型。即根据训练样本集，计算词项出现的概率P(xi|y)，后得到各类下词汇出现概率的向量 。 6. 测 阅读全文

摘要： 1.使用朴素贝叶斯模型对iris数据集进行花分类 尝试使用3种不同类型的朴素贝叶斯： 高斯分布型 多项式型 伯努利型 2.使用sklearn.model_selection.cross_val_score()，对模型进行验证。 3. 垃圾邮件分类 数据准备： 用csv读取邮件数据，分解出邮件类别及邮 阅读全文

摘要： 1、 简述分类与聚类的联系与区别。 简述什么是监督学习与无监督学习。 分类与聚类：分类是一种有监督的算法，是在已经有目标分类的情况下对数据进行类别判断（朴素贝叶斯算法）。而聚类是一种无监督算法，是在建立模型之前还没有目标分类，将特征相似的数据自动聚为一类的算法（KMeans聚类算法）。 有监督学习和 阅读全文

摘要： from sklearn.datasets import load_sample_image import matplotlib.pyplot as plt from sklearn.cluster import KMeans import numpy as np flower=load_sample_image('flower.jpg')#原始图片 plt.imshow(flower) pl... 阅读全文

摘要： 1)选取初始数据中的k个对象作为初始的中心，每个对象代表一个聚类中心： #随机生成一组整数sample import numpy as np sample=np.random.randint(1,100,[50,1]) k=3#要分成的类别数 y=np.zeros(50) #定义一个函数来存放开始的聚类中心kc def start_center(sample,k): return ... 阅读全文

摘要： #安装scipy，numpy，sklearn包 import numpy from sklearn.datasets import load_iris #从sklearn包自带的数据集中读出鸢尾花数据集data data = load_iris() #查看data类型，包含哪些数据 print('数据类型是：',type(data)) print('包含的数据有：',data.keys())... 阅读全文

摘要： 一、处理日期时间 取系统时间 转换成‘2017年9月30日星期六10时28分56秒’格式字符串 ’2018-10-25 22:00‘转换成一个日期时间变量 计算两者的间隔 二、问题： 数列： a = a1,a2,a3,·····,an b = b1,b2,b3,·····,bn 求： c = a12 阅读全文

摘要： 1.英文小说 词频统计 2.中文小说 词频统计 阅读全文