随笔分类 -  机器学习

4、无监督学习笔记
摘要：无监督学习 1、简介 无监督学习 是一种对不含标记的数据建立模型的机器学习范式。最常见的无监督学习方法是 聚类 ,就是讲无标记的数据分成几种集群，这些集群通常是根据某种相似度指标进行的，如欧氏距离（Euclidean distance),常用领域有：数据挖掘、医学影像、股票市场分析、计算机视觉、市场 阅读全文
posted @ 2018-02-14 09:38 NSGUF 阅读(730) 评论(0) 推荐(0)
3、预测模型笔记
摘要：预测模型 1、简介 预测建模（Predictive modeling）是一种用来预测系统未来行为的分析技术，它由一群能够识别独立输入变量与反馈目标关联关系的算法构成。根据观测值创建一个数学模型，然后用这个模型去预测未来发生的事情。 预测模型是用若干个可能对系统行为产生影响的特征构建的，当处理系统问题 阅读全文
posted @ 2018-01-12 23:55 NSGUF 阅读(710) 评论(0) 推荐(0)
2、创建分类器笔记
摘要：创建分类器 简介： 分类是指利用数据的特性将其分类成若干类型的过程。分类与回归不同，回归的输出是实数。监督学习分类器就是用带标记的训练数 据建立一个模型，然后对未知的数据进行分类。 分类器 可以实现分类功能的任意算法，最简单的分类器就是简单的数学函数。其中有二元（binary）分类器，将数据分成两类 阅读全文
posted @ 2018-01-12 09:57 NSGUF 阅读(763) 评论(0) 推荐(0)
标记编码报错ValueError: bad input shape ()
摘要：《Python机器学习经典实例》2.9小节中，想自己动手实践汽车特征评估质量，所以需要对数据进行预处理，其中代码有把字符串标记编码为对应的数字，如下代码 input_data = ['vhigh', 'vhigh', '2', '2', 'small', 'low'] input_data_enco 阅读全文
posted @ 2018-01-08 21:04 NSGUF 阅读(4299) 评论(0) 推荐(0)
1、监督学习笔记
摘要：监督学习 概念： 在有标记的样本(labels samples)上建立机器学习 1、数据的预处理 机器学习算法无法理解原始数据，所以需对原始数据进行预处理，常用预处理如下： 预处理主要使用了preprocessing包，所以需对该包进行导入： import numpy as np from skle 阅读全文
posted @ 2017-12-23 20:13 NSGUF 阅读(634) 评论(0) 推荐(0)
Tensorflow之MNIST的最佳实践思路总结
摘要：Tensorflow之MNIST的最佳实践思路总结   在上两篇文章中已经总结出了深层神经网络常用方法和Tensorflow的最佳实践所需要的知识点，如果对这些基础不熟悉，可以返回去看一下。在 "《Tensorflow：实战Google深度学习框架》" 这本书在第五章中给出了MN 阅读全文
posted @ 2017-11-30 10:31 NSGUF 阅读(1381) 评论(0) 推荐(0)
数据的预处理
摘要：机器学习算法无法理解原始数据，所以需对原始数据进行预处理，常用预处理如下： 预处理主要使用了preprocessing包，所以需对该包进行导入： 1.均值移除（Mean removal) 2.范围缩放（Scaling) 3.归一化（Normalization） 4.二值化（Binarization） 阅读全文
posted @ 2017-11-19 20:27 NSGUF 阅读(1062) 评论(0) 推荐(0)