范仁义

2020年12月9日

摘要：《机器学习实战》笔记 1、机器学习基础一、总结一句话总结：【your own agreement】：Failure to 【comply with】【your own agreement】 will 【destroy your self-confidence】 and make yourse 阅读全文

posted @ 2020-12-09 20:33 范仁义阅读(163) 评论(0) 推荐(0)

机器学习实例---4.1、Logistic回归基础篇之梯度上升算法

摘要：机器学习实例 4.1、Logistic回归基础篇之梯度上升算法一、总结一句话总结： Logistic回归是众多分类算法中的一员。通常，Logistic回归用于【二分类】问题，例如预测明天是否会下雨。当然它【也可以用于多分类】问题，不过为了简单起见，本文暂先讨论二分类问题。 Logistic回归一阅读全文

posted @ 2020-12-09 19:37 范仁义阅读(635) 评论(0) 推荐(0)

2020年12月8日

机器学习实例---3.2、朴素贝叶斯之新浪新闻分类

摘要：机器学习实例 3.2、朴素贝叶斯之新浪新闻分类一、总结一句话总结：在训练朴素贝叶斯分类器之前，要处理好训练集，【文本的清洗】还是有很多需要学习的东西。【去高频词汇】数量的不同，对结果也是有影响的的。根据提取的分类特征将【文本向量化】，然后训练朴素贝叶斯分类器。【拉普拉斯平滑】对于改善朴素贝阅读全文

posted @ 2020-12-08 22:54 范仁义阅读(967) 评论(0) 推荐(0)

Python人工智能参考---朴素贝叶斯进行垃圾邮件分类最最最简单实战

摘要： Python人工智能参考朴素贝叶斯进行垃圾邮件分类最最最简单实战一、总结一句话总结： a、用最简单的实例来演示算法是最方便的能洞悉算法实质的方式 b、朴素贝叶斯注意有多个词表，而不是一个混合的词表 1、朴素贝叶斯进行垃圾邮件分类的计算的时候的注意点是什么？【P(关键词1,关键词2)）可以不阅读全文

posted @ 2020-12-08 20:16 范仁义阅读(502) 评论(0) 推荐(0)

机器学习实例---3.1、朴素贝叶斯基础

摘要：机器学习实例 3.1、朴素贝叶斯基础一、总结一句话总结：朴素贝叶斯算法是有监督的学习算法，解决的是【分类问题】，如客户是否流失、是否值得投资、信用等级评定等多分类问题。该算法的优点在于【简单易懂、学习效率高】、在某些领域的分类问题中能够与决策树、神经网络【相媲美】。但由于该算法以【自变量之阅读全文

posted @ 2020-12-08 20:11 范仁义阅读(266) 评论(0) 推荐(0)

机器学习实例---2.1、决策树（实战）

摘要：机器学习实例 2.1、决策树（实战）一、总结一句话总结：决策树【构建】、决策树【可视化】、使用决策树进行【分类预测】、决策树的【存储和读取】、【sklearn】实战之预测隐形眼镜类型本来是想继续讨论决策树的过拟合问题，但是看到【《机器学习实战》】将此部分内容放到了第九章，那我也放在后面好了阅读全文

posted @ 2020-12-08 17:15 范仁义阅读(1429) 评论(0) 推荐(0)

python的pickle模块

摘要： python的pickle模块一、总结一句话总结：该pickle模块实现了用于【序列化和反序列化】Python对象结构的【二进制协议】。 “Pickling”是将Python对象层次结构转换为字节流的过程， “unpickling”是反向操作，从而将【字节流（来自二进制文件或类似字节的对象）】阅读全文

posted @ 2020-12-08 16:10 范仁义阅读(558) 评论(0) 推荐(0)

2020年12月7日

机器学习实例---2.1、决策树（介绍）

摘要：机器学习实例 2.1、决策树（介绍）一、总结一句话总结：得到原始数据集，然后基于最好的属性值划分数据集，由于特征值可能多于两个，因此可能存在【大于两个分支的数据集划分】。第一次划分之后，数据集被向下传递到树的分支的下一个结点。在这个结点上，我们可以【再次划分】数据。因此我们可以采用【递归】的原阅读全文

posted @ 2020-12-07 22:27 范仁义阅读(317) 评论(0) 推荐(0)

如何计算熵

摘要：如何计算熵一、总结一句话总结：【就是信息乘概率然后求和】：$$H = - \sum _ { i = 1 } ^ { n } p ( x _ { i } ) \log _ { 2 } p ( x _ { i } )$$ 【所有的信息期望值】：为了计算熵，我们需要计算所有类别所有可能值包含的【信息阅读全文

posted @ 2020-12-07 04:55 范仁义阅读(4494) 评论(0) 推荐(0)

2020年12月6日

sklearn库简单介绍

摘要： sklearn库简单介绍一、总结一句话总结： sklearn库的共分为6大部分，分别用于完成【数据的预处理、模型选择、分类任务、回归任务、聚类任务和降维任务】。【各种机器学习方法很多都有现成的】，非常非常好用的一个库 1、sklearn库-分类任务？比如最近邻、支持向量机、决策树、朴素贝叶斯阅读全文

posted @ 2020-12-06 23:59 范仁义阅读(1640) 评论(0) 推荐(0)

在校每年国奖、每年专业第一，加拿大留学，先后工作于华东师范大学和香港教育大学

公告