摘要：
###前言 今天开始聊一聊python3的asyncio。关于asyncio，大家肯定都有自己的理解，并且网上大神也把基础概念也解释的比较透彻。 本文写作的初衷，主要是理解asyncio的原理并且实现一遍。 话不多说，我们开始！ ###一、知识准备 ● 理解进程、线程、协程。简单来说，这三个都是为了 阅读全文
posted @ 2021-12-20 10:43
it排球君
阅读(2435)
评论(0)
推荐(0)
摘要：
前言 孤立森林，一种非常高效快速的异常检测算法 开始探索 scikit-learn import numpy as np import matplotlib.pyplot as plt from sklearn.ensemble import IsolationForest rng = np.ran 阅读全文
posted @ 2025-10-17 10:20
it排球君
阅读(140)
评论(0)
推荐(0)
摘要：
前言 彩笔运维勇闯机器学习：KNN算法，它也是分类中的一种 开始探索 scikit-learn import numpy as np import matplotlib.pyplot as plt from sklearn.model_selection import train_test_spli 阅读全文
posted @ 2025-10-13 10:51
it排球君
阅读(218)
评论(0)
推荐(1)
摘要：
前言 本文讨论的GBDT算法，也是基于决策树 开始探索 scikit-learn 老规矩，先上代码，看看GBDT的用法 from sklearn.datasets import load_iris from sklearn.ensemble import GradientBoostingClassi 阅读全文
posted @ 2025-09-26 10:45
it排球君
阅读(109)
评论(0)
推荐(0)
摘要：
前言 彩笔运维勇闯机器学习，今天我们来讨论一下lasso回归，本期又是一起数学推理过程展示 坐标下降法 目标找到一组参数，使目标函数值最小。比如\(f(x,y)=3x^2+5xy+10y^2\)，要找到\(x,y\)使得\(f(x,y)\)取值最小 \[x_j^{(k+1)} = \arg \min 阅读全文
posted @ 2025-09-22 10:19
it排球君
阅读(103)
评论(0)
推荐(0)
摘要：
前言 彩笔运维勇闯机器学习，今天我们来讨论一下梯度下降法 梯度 首先要搞明白什么是梯度，那就要先从导数说起 导数 函数\(y=f(x)\)的自变量\(x\)在一点\(x_0\)上产生一个增量\(\Delta x\)时，函数输出值的增量\(\Delta y=f(x_0 + \Delta x)-f(x_ 阅读全文
posted @ 2025-09-17 11:16
it排球君
阅读(140)
评论(0)
推荐(0)
摘要：
前言 随机森林的出现，是为了解决决策树对训练数据过拟合的问题而出现的。决策树在训练的工程中，可以让每一个叶子节点的不确定性降为0（即熵或者基尼指数为0），这样做可能把训练数据中的偶然性、异常值或噪声也当成了“规 律”去学习了 对于复杂高维的数据，随机森林的算法可以更好的泛化能力 开始探索 sciki 阅读全文
posted @ 2025-09-11 14:53
it排球君
阅读(163)
评论(0)
推荐(1)
摘要：
前言 决策树是一种常用的机器学习模型，用于分类和回归任务，它通过模拟“树”的结构来对数据进行决策。本节我们详细讨论的是决策树中的分类任务 开始探索 scikit-learn 假设以下运维场景 CPU 低：<40% 中：40%~70% 高：>70% 内存 低：<60% 中：60%~85% 高：>85% 阅读全文
posted @ 2025-09-09 11:29
it排球君
阅读(200)
评论(0)
推荐(0)
摘要：
前言 从本节开始，我们的机器学习之旅进入了下一个篇章。之前讨论的是回归算法，回归算法主要用于预测数据。而本节讨论的是分类问题，简而言之就是按照规则将数据分类 而要讨论的逻辑回归，虽然名字叫做回归，它要解决的是分类问题 开始探索 scikit-learn 还是老规矩，先来个例子，再讨论原理 假设以下场 阅读全文
posted @ 2025-09-03 14:17
it排球君
阅读(189)
评论(0)
推荐(0)
摘要：
前言 今天我们来讨论拟合的问题 在之前的篇幅，主要讨论的是线性回归的问题，不管是一元、多元、多项式，本质都是线性回归问题。线性回归在机器学习中属于“监督学习”，也就是使用已有的、预定义的“训练数据”集合，训练系统，在解释未知数据时，也能够很好的解释 而模型训练完成之后，可能会有3中状态：“欠拟合”、 阅读全文
posted @ 2025-09-01 10:15
it排球君
阅读(147)
评论(0)
推荐(0)
摘要：
前言 在之前的讨论中，讨论的都是线性回归，自变量与结果可以通过一条直线来解释。而今天讨论的问题，自变量与结果可能需要曲线来拟合，也就是所谓的 \(x^n\)，n>=2 开始探索 老规矩，先运行起来，再探索原理 1. scikit-learn import numpy as np from sklea 阅读全文
posted @ 2025-08-25 10:25
it排球君
阅读(156)
评论(0)
推荐(1)
浙公网安备 33010602011771号