大作业
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。 二、中文文本分类 按学号未位 阅读全文
posted @ 2018-12-21 10:22 阿占 阅读(166) 评论(0) 推荐(0) 编辑
回归模型与房价预测
摘要：
题目 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。 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。 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
posted @ 2018-12-06 10:34 阿占 阅读(111) 评论(0) 推荐(0) 编辑
朴素贝叶斯应用：垃圾邮件分类
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
posted @ 2018-12-04 16:12 阿占 阅读(158) 评论(0) 推荐(0) 编辑
sklearn中的朴素贝叶斯模型及其应用
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： 高斯分布型 多项式型 伯努利型 2.使用sklearn.model_selection.cross_val_score()，对模型进行验证。 运行截图 截图 阅读全文
posted @ 2018-11-22 10:59 阿占 阅读(193) 评论(0) 推荐(0) 编辑
朴素贝叶斯分类算法
摘要：
1.理解分类与监督学习、聚类与无监督学习。 简述分类与聚类的联系与区别。 （1）分类：给数据贴标签，通过分析已有的数据特征，对数据分成几类，已知分类结果。然后引入新数据对其归类。分类可以提高认知效率，较低认知成本。 （2）聚类：不知分类结果，通过数据一定的相似性，把那些相似的数据聚集在一起。 简述什 阅读全文
posted @ 2018-11-18 21:07 阿占 阅读(976) 评论(0) 推荐(0) 编辑
K-means算法应用：压缩图片
摘要：
from sklearn.datasets import load_sample_image from sklearn.cluster import KMeans import matplotlib.pyplot as plt #读取一张示例图片或自己准备的图片，观察图片存放数据特点 china = load_sample_image("china.jpg") plt.imshow(china)... 阅读全文
posted @ 2018-11-01 22:17 阿占 阅读(235) 评论(0) 推荐(0) 编辑
聚类--K均值算法：自主实现与sklearn.cluster.KMeans调用
摘要：
截图 阅读全文
posted @ 2018-10-31 21:35 阿占 阅读(168) 评论(0) 推荐(0) 编辑
numpy统计分布显示
摘要：
#加载numpy包 import numpy #加载sklearn包 from sklearn.datasets import load_iris #读出鸢尾花数据集data data=load_iris() #鸢尾花花瓣长度的数据 petal_length=numpy.array(list(len[2] for len in data['data'])) print(petal_lengt... 阅读全文
posted @ 2018-10-22 18:53 阿占 阅读(2228) 评论(0) 推荐(0) 编辑
numpy数组及处理：效率对比
摘要：
#a1,a2,a3 ,·····,an #b1,b2,b3 ,·····,bn #求： #a1+b1,a2+b2,a3 +b3,·····+an+bn #1、列表+循环 实现，并包装成一个函数 def pysum(m): a=list(range(m)) b=list(range(m)) c=[] 阅读全文
posted @ 2018-09-29 11:41 阿占 阅读(113) 评论(0) 推荐(0) 编辑
