祥瑞哈哈哈

摘要： 概率只是不确定性的量化。 其实连续型随机变量的概率分布和离散型随机变量的概率分布类似。 离散型随机变量的概率分布是每个离散变量的概率。 连续型随机变量的概率分布是将一段区间看成一个整体考虑其概率分布，不断细化区间其概率最终构成一个函数即为概率密度函数。 分布函数即是积分从负无穷到指定值。 即一个大城 阅读全文

摘要： 初学概率论多个含有随机的名词容易让人糊涂。 随机现象:偶然性的现象。比如投掷色子的点数。 样本空间：所有随机现象的集合称为样本空间。 随机事件：随机现象的集合称为随机事件。 随机变量：用变量表示随机事件。 这么背有些枯燥： 其实就是身边有随机现象如丢硬币的结果，所有现象的集合是样本空间，研究某一情况 阅读全文

摘要： https://www.baidu.com/link?url=ltxBHpLSKOR9m8xq-b9FLtu-N-f4LKVoN2RLM3HhaZIeaFN9Ae_Nugrr9SygpBXj93sUeMavVK0BUstCvd_kUpo6c_9ywsps1yY6V4OZydK&wd=&eqid=de 阅读全文

摘要： import numpy as np import time def pla(x,y): k=y/x deg=np.rad2deg(np.arctan(k)) if k>0: if x<0: deg=deg+180 if k<0: if x<0: deg=deg+180 if deg<0: deg= 阅读全文

摘要： import numpy as np import matplotlib.pyplot as plt class node: def __init__(self,index,value,clas): self.index=index self.value=value self.clas=clas d 阅读全文

摘要： 仅比随即猜测要好。 阅读全文

摘要： import numpy as np import matplotlib.pyplot as plt w=700 w1=700 n=w1-50 train=np.random.randint(-300,300,(w,4)) train=train.astype(float) train_lable= 阅读全文

摘要： 决策树的原理就是找到易于区分类的特征值进行空间划分，得到最终的分类空间。 import numpy as np import matplotlib.pyplot as plt def mid(node): print(node.index,node.value,node.lay_num,node.a 阅读全文

摘要： w=np.array([[1,2],[3,4]]) w1=np.array([[1],[1]]) print(np.concatenate((w,w1),axis=1)) 输出： [[1 2 1] [3 4 1]] 阅读全文

摘要： import numpy as np import matplotlib.pyplot as plt w=250 w11=2000 train=np.random.randint(-300,300,(w11,4)) train=train.astype(float) train_lable=np.z 阅读全文