happygril3

摘要： 一、K-means聚类步骤： （1）选择k个初始聚类中心 （2）计算每个对象与这k个中心各自的距离，按照最小距离原则分配到最邻近聚类 （3）使用每个聚类中的样本均值作为新的聚类中心 （4）重复步骤（2）和（3）直到聚类中心不再变化 （5）结束，得到k个聚类 二、评价聚类的指标： （1）inertia 阅读全文

摘要： 基本原理：方差最大原理 通过正交变换将原相关性变量转化为不相关的变量 第一主成分：线性组合 方差最大 第二主成分：线性组合，COV（F1,F2）=0 步骤： 原始数据标准化:DataAdjust(m*n)【m个样本，n个变量】 计算样本的协方差矩阵【cov=（n*n）】 计算协方差矩阵的特征值和特征 阅读全文

摘要： 名称 是否良好 是否男 A 1 1 B 1 1 C 1 0 D 0 1 E 0 1 熵：H（D）= -[2/5log(2/5)+3/5log(3/5)]=0.971 H(D)=3/5H(D1)+2/5H(D2)=-{3/5(2/3log1/3+1/3log1/3)+2/5(1log(1)}=0.55 阅读全文

摘要： boosting(提升法） 对于训练集中的每个样本建立全职W（i），当某个样本被错误分类概率很高时，样本的权重加大； 在迭代过程中，每一个迭代器都是一个弱分类器，我们需要用某种策略将其组合，作为最终模型。 bagging（套袋法） 从原始样本集随机抽取n个训练样本，共进行k轮抽取，得到k个训练集。（ 阅读全文

摘要： 理论： 从样本集（N个数据点）选出n个样本（有放回）建立分类器 重复m次，获得m个分类器 过程： 1. 样本的随机：从N个数据点中随机选择n个样本 2. 属性的随机：从所有属性中随机选择k个属性 3. 重复m次，，建立m颗决策树 4. m棵决策树形成随机森林，投票决定结果 参数： n_estimat 阅读全文

摘要： from sklearn import datasetsfrom sklearn.model_selection import train_test_splitfrom sklearn.preprocessing import StandardScaler from sklearn.model_se 阅读全文

摘要： import multiprocessingimport os, time, randomdef Lee(): print("\nRun task Lee-%s" %(os.getpid()) ) #os.getpid()获取当前的进程的ID start = time.time() time.sle 阅读全文

摘要： from multiprocessing import Poolimport os,timeimport multiprocessingdef func(msg): print("msg:", msg) time.sleep(3) print("end") return "done" + msg#使 阅读全文

摘要： import multiprocessingimport time#方式一def worker(interval): n = 5 while n > 0: print("The time is {0}".format(time.ctime())) time.sleep(interval) n -= 阅读全文

摘要： multiprocess： multiprocess.cpu_count():统计cpu核数 multiprocess.active_chirdren():获取所有的子进程 multiprocess.current_process():获取当前的子进程 multiprocess.Prpcess(ta 阅读全文