摘要：
一、boston房价预测 1. 读取数据集 2. 训练集与测试集划分 3. 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。 4. 多项式回归模型：建立13个变量与房价之间的预测模型，并检测模型好坏。 5. 比较线性模型与非线性模型的性能，并说明原因。 1)代码如下: 结果如下: 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。 结果如下: 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。 结果如下: 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： 2.使用sklearn.model_selection.cross_val_score()，对模型进行验证。 3. 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件内容。 对邮件内容进行预处 阅读全文
摘要：
1.理解分类与监督学习、聚类与无监督学习。 1）简述分类与聚类的联系与区别。 联系：按照某种标准给对象贴标签，再根据标签来区分归类。 分类：相当于给数据贴标签，根据标签可以提高对数据认知的效率，降低认知成本。 聚类：是指事先没有“标签”而通过某种成因分析找出事物之间存在聚集性原因的过程。 区别：类别 阅读全文
摘要：
1.图片压缩 最后新图片结果如下: 图片大小: 2.贝叶斯 M桶：7红3黄 N桶：1红9黄 现在：拿出了一个红球 试问：这个红球是M、N桶拿出来的概率分别是多少？ 解: 设:省略. 1) P(M|A) = P(A·M) · P(M) / P(A) = (7/10 · 1/2)/ (8/20) = 7 阅读全文
摘要：
1.用python实现K均值算法 代码如下: 结果如下: 2.鸢尾花花瓣长度数据做聚类并用散点图显示。 代码如下: 结果如下: 3.鸢尾花完整数据做聚类并用散点图显示. 结果如下: 结果如下: 阅读全文
摘要：
for i in iris['data']: petal_length = i[2] petal_width = i[3] print(petal_length,petal_width) 7.取出某朵花的四个特征及其类别。 import numpy as np import matplotlib.p 阅读全文
摘要：
一.处理日期时间 （1）取系统时间： 代码如下: 结果如下: (2)转换成 "2017年9月30日星期六10时28分56秒" 格式字符串 代码如下: 结果如下: (3)2018-10-25 22:00 转换成一个日期时间变量 代码如下: 结果如下: (4)计算两者的间隔 代码如下: 结果如下: 二、 阅读全文
摘要：
完整词频统计: 1.英文 代码如下: 结果如下: 2.中文 代码如下: 结果如下: 阅读全文