02 2020 档案
摘要：•数据预处理的几种方法： StandardScaler：确保每个特征的平均值为0，方差为1，使得所有特征在同一量级。但不能保证特征任何特定的最大值和最小值。 RobustScaler：与StandardScaler类似，确保每个特征的统计属性在同一范围，但使用中位数和四分位数。会忽略数据中的异常值。
阅读全文
摘要：•感知机的多个输入信号都有各自固有的权重，这些权重发挥着控制各个信号的重要性的作用。 即权重越大，对应 该权重的 信号的重要性就越高。 •偏置b用来调整神经元被激活的容易程度 •单层感知机的局限性在于只能分割表示线性空间， 多层感知机可以表示非线性空间。
阅读全文
摘要：•mxnet环境搭建帖 在anaconda5.0.1下搭建mxnet (pip版本)：http://notes.kohill.cn/mxnet_install CUDA 10.0安装教程：https://blog.csdn.net/shuiyixin/article/details/99935799
阅读全文
摘要：•图像处理三阶段： ①低级：图像预处理，譬如图像降噪、对比度增强、图像尖锐化，以输入和输出都是图像为特点。 ②中级：对图像进行进一步处理，譬如分割，分类等，以输入为图像但输出是从这些图像中提取的特征。 ③高级：理解识别的图像。
阅读全文
摘要：•分类器的不确定度 决策函数(decision_function)： 二分类：返回类型为(n_samples, )，为每个样本返回一个浮点数，这个浮点数的正负号代表了预测的分类，值的大小代表了置信度。 多分类：返回类型为(n_samples, n_classes)，每一列对应每个类别的“确定度分数”
阅读全文
摘要：•mlp = MLPClassifier(solver = 'lbfgs', random_state = 0) {‘lbfgs’，‘sgd’，‘adam’}，默认’adam’。权重优化的求解器：'lbfgs’是准牛顿方法族的优化器；'sgd’指的是随机梯度下降。'adam’是指由Kingma，Di
阅读全文
摘要：•xscale/yscale对数和其它非线性轴 import numpy as np import matplotlib.pyplot as plt #生成一些区间 [0,1]内的数据 y = np.random.normal(loc=0.5, scale=0.4, size=1000) y = y
阅读全文
摘要：•核技巧（kernel trick） 所要解决的问题：向原始数据中添加非线性特征，可以让线性模型变得更强大，但不知道要添加哪些特征，若添加过多的特征。计算开销会很大 原理：直接计算扩展特征表示中数据点之间的距离，而不用实际对扩展进行计算 方法： ①多项式核，在一定阶数内计算原始特征所有可能的多项式；
阅读全文
摘要：•XX, YY = np.meshgrid(xx, yy) meshgrid()函数用两个坐标轴上的点在平面上画网格 https://www.cnblogs.com/shanlizi/p/9127878.html •ax.plot_surface(XX, YY, ZZ, rstride = 8, c
阅读全文
摘要：•hstack(tup) ，参数tup可以是元组，列表，或者numpy数组，返回结果为numpy的数组。 import numpy as np arr1 = np.array([1, 2, 3]) arr2 = np.array([4, 5, 6]) res = np.hstack((arr1, a
阅读全文
摘要：•enumerate()用于同时返回索引和对应的值 list1 = ["这", "是", "一个", "测试"] for index, item in enumerate(list1): print index, item >>> 0 这 1 是 2 一个 3 测试 numpy.ravel()用于拉
阅读全文
摘要：•特征重要性也被存放在tree中，被显示特征的重要性，介于0~1之间，越接近1表示越重要 •plt.barh((range(n_features), model.feature_importances_, align = 'cancer')) plt.barh(y, width，align)用来画横
阅读全文
摘要：•决策树的可视化 ♠ export_graphviz(tree, out_file = None, class_names = ["malignant", "benign"], feature_names = cancer.feature_names, impurity = False, fille
阅读全文
摘要：•朴素贝叶斯分类器： 优点：训练速度快 缺点：泛化性能比logistic回归和linearSVM稍差 GaussianNB：用于任意连续数据 BernoulliNB：输入数据为二分类，用于文本数据分类 MultinomialNB：输入数据为计数数据（每个特征代表某个对象的整数计数），用于文本数据分类
阅读全文
摘要：•logistic回归中有一个参数是penalty，penalty用来控制logistic回归的正则化，默认penalty = 'l2'，也可等于l1 当使用penalty = 'l1'时就是使用了L1正则化，使用L1正则化的logistic回归是一个解释性更强的模型，只使用了少数几个特征。 •on
阅读全文
摘要：•lasso回归 ♠lasso回归使用L1正则化，即使得lasso的某些系数刚好为零 ♠lasso也有alpha，与岭回归相同，alpha代表了约束力的大小，但在lasso中增大alpha的同时，要增大最大迭代次数max_iter（默认为1000） alpha不能设置的过小，否则会消除正则化的效果。
阅读全文
摘要：•R2是一个回归模型的评价标准，也叫作决定系数，位于0~1之间，越接近1表示预测效果越好 训练集和数据集的分数非常接近，说明可能存在欠拟合 训练集的分数很好但测试集的分数不好，说明存在过拟合 •线性回归（普通最小二乘法 OLS）： 寻找w和b，使得训练集的预测值与真实的回归目标值之间的均方误差最小。
阅读全文
摘要：•python机器学习基础教程 P34 ax.plot(X_train, y_train, '^', c = mglearn.cm2(0), markersize = 8) 中 c = mglearn.cm2(0)和markersize = 8的含义 •mglearn.plots.plot_2d_s
阅读全文
摘要：•line = np.linspace(-3, 3, 1000).reshape(-1, 1) np.linspace(-3, 3, 100)用来返回-3到3之间的100个等间距的数字，返回值是一个列表 np.linspace(): https://blog.csdn.net/u013555719/
阅读全文
浙公网安备 33010602011771号