摘要：
前言： 这个博客是为了解决异或问题，原理是利用非线性的量来进行划分，和前面的知识有些类似。 正文： 总结： 这个专门用来解决异或问题，和单层感知器的知识有所不同的是用了不同的激活函数，以及用n来计数，引入了6个输入量，相当于在求解一个二次方程（关于y的二次方程），再利用求根公式来进行画线。 阅读全文
posted @ 2020-05-09 08:42
超级无敌57
阅读(1059)
评论(0)
推荐(0)
摘要：
前言： 神经网络是非常重要的且用途广泛，通过模拟人体的处理信息方式来解决问题，下面就来介绍一下单层感知器。 正文： 每次都会随机出来三个权值： [[ 0.00716618] [ 0.09579097] [ 0.86859556]] 因为每次随机数的权值都不同，所以迭代次数也有所不同，这里就只po出最 阅读全文
posted @ 2020-04-29 09:59
超级无敌57
阅读(323)
评论(3)
推荐(0)
摘要：
前言： 上篇介绍了knn的实现过程，这次我们使用库里自带的数据集来进行knn的实现。 正文： 各类参数如下： precision recall f1 score support 0 1.00 1.00 1.00 20 1 1.00 0.83 0.91 12 2 0.80 1.00 0.89 8 av 阅读全文
posted @ 2020-04-09 10:00
超级无敌57
阅读(947)
评论(0)
推荐(0)
摘要：
前言： 找了个时间来写一下knn的算法，发现了不少意外的惊喜，以前有些马马虎虎的东西今天居然理解了，并发现了几篇好博文可以和大家分享。 knn主要是利用数据特征与其他已知数据的远近程度来进行分类。 正文： 画出的图像如下： Out[9]:array([[ 15, 14], [ 16, 10], [ 阅读全文
posted @ 2020-04-07 16:08
超级无敌57
阅读(587)
评论(0)
推荐(0)
摘要：
前言： 大概两三周没动这块了，最近要抓紧时间复习并写博客记录，此次为利用sklearn库来解决非线性逻辑回归问题 正文： 利用函数数据画出的图像如下： 图片展示如下，可以看出正确率很低，还不如自己猜： 经过处理的数据带入图像如下： 正确率达到了百分之99，可见提前处理数据是非常必要的。 总结： 利用 阅读全文
posted @ 2020-03-23 17:30
超级无敌57
阅读(1327)
评论(0)
推荐(0)
摘要：
前言： 在利用了自己编写的函数之后，希望能用一种更加简洁的方法来实现逻辑回归，因此就期待sklearn的表现了！ 正文： 图片展示如下： 总结： 可以发现调用sklearn库要比自己写要简单的多，但是手写函数是一种加深理解 的过程，用时则用sklearn，究其本质时还需要手写函数来进行验证。 阅读全文
posted @ 2020-03-05 09:53
超级无敌57
阅读(560)
评论(1)
推荐(0)
摘要：
前言： 线性关系主要解决一类事物的特点，而逻辑回归注重于解决分类问题，试图寻找多种事物的边界所在，因此掌握逻辑回归是十分必要的！ 正文： 执行效果如下： 打印出来的data格式如下： 训练后的权值如下： 图片展示如下： 三种率运算如下： 总结： 可以看出工作量很高，检查很频繁，容易报错，尤其要求对参 阅读全文
posted @ 2020-02-25 09:50
超级无敌57
阅读(457)
评论(0)
推荐(0)
摘要：
前言： 解决线性回归问题不仅可以使用梯度下降法，还可以使用标准方程法，今天我将尝试用标准方程法来解决问题 正文： 图片展示： 图片显示如下： 可以看到x_data修改后的格式 结果如下： 总结： 通过标准方程法同样可以解决问题，且较为简单，但对于多参数问题，则梯度下降法比较合适！ 阅读全文
posted @ 2020-02-21 16:45
超级无敌57
阅读(488)
评论(0)
推荐(0)
摘要：
前言： 有些生活中的问题也许符合一元或多元线性回归的标准，但还有很多问题无法用一条直线来解决，需要使用样式更多更复杂的曲线来说明问题，因此今天我将要解决多项式的问题。 正文： 图片展示如下： 可以看出这个图片属于曲线类型，如果用直线来表示，效果一定不好！ 展示一下直线的效果： 可以发现直线的效果很差 阅读全文
posted @ 2020-02-21 11:51
超级无敌57
阅读(236)
评论(0)
推荐(0)
摘要：
前言： 前面用自写函数解决了多元问题，现在用sklearn库来解决多元线性问题 正文： 数据图片： 切分后的数据： 测试结果如下： 总结： 效果还是不错的，而且这个图可以移动，方便查看！ 阅读全文
posted @ 2020-02-21 10:51
超级无敌57
阅读(1087)
评论(0)
推荐(0)
浙公网安备 33010602011771号