下士闻道

摘要： X_outliers=np.array([[3.4, 1.3], [3.2, 0.8]]) y_outliers=np.array([0, 0]) 要明白X，y不再是我们高中时候学的x，y轴的坐标；首先X，y都是数组概念，代表多个值；其次之前的坐标概念都在X对象里面；y值代表的描述数据另外一个维度： 阅读全文

摘要： 1 X1D=np.linspace(-4, 4, 9).reshape(-1,1) 2 X2D=np.c_[X1D, X1D**2] 3 y = np.array([0, 0, 1, 1, 1, 1, 1, 0, 0]) 4 5 plt.figure(figsize=(11, 4)) #这个范围是怎么知道的？经验值 6 pprint(np.zeros(4)) 7 plt.subp... 阅读全文

摘要： meshgrid的目的是生成两套行列数一致的矩阵，其中一个是行重复，一个是列复制；可以这么来理解，通过ravel()将矩阵数据拉平之后，就可以将这两套矩阵累加在一起，形成一个两行数据，要达到这个效果是需要行列相同，这样就能够理解meshgrid行为了。 比如下面的数据，是原始的两个数组： t01: 阅读全文

摘要： 首先科普一下python里面对于数组的处理，就是如果获取数组大小，以及数组元素数量，这个概念是不一样的，就是一个size和len处理不用。老规矩，上代码： >>8 >>8 貌似两者没啥区别，但是真的是这样吗？ Code: >>8 >>1 在多维数组中，size代表的是所有的最小单元的总和，len则是 阅读全文

摘要： Python的X[y==1, 0] 最近研究逻辑回归，Iris花的经典示例，代码就不全粘贴了，具体代码参看“Iris花逻辑回归与实现” X[y==0, 0]中的y==0是个什么东东，为什么可以占据X的第一个位置？ 首先我们看一下X是个什么？ Output: X是一个数组，数组的元素是一个二元组。在解 阅读全文

摘要： 对于数据的预处理分在思想上称之为归一化以及标准化（normalization）。 首先将归一化/ 标准化，就是将数据缩放（映射）到一个范围内，比如[0,1],[-1,1]，还有在图形处理中将颜色处理为[0,255]；归一化的好处就是不同纬度的数据在相近的取值范围内，这样在进行梯度下降这样的算法的时候，曲线将会更加简单（由原始的椭圆变成了圆形），如下图所示： 至于缩放的原理就是量纲代表，比如身... 阅读全文

摘要： 透视图，这个概念是在看splunk的时候接触到的，想到之前在做Excel项目的时候也接触过，那个时候叫透析图；另外一个最近困扰我的概念是等高线；最近在做分类Demo的时候碰到了matplotlib库中的contour，翻译就是等高线；这是一个什么概念？ 下去去了一趟天安云谷的图书馆，本意是还书，外加 阅读全文

摘要： 概率图 https://www.coursera.org/learn/probabilistic-graphical-models https://blog.csdn.net/u014380165/article/list/5 AI之路，作者写了很多视觉相关算法心得文章 http://openacc 阅读全文

摘要： Iris花的分类是经典的逻辑回归的代表；但是其代码中包含了大量的python库的核心处理模式，这篇文章就是剖析python代码的文章。 关于数据等高线的示例demo： Numpy.c_示例 >>> np.c_[np.array([1,2,3]), np.array([4,5,6])] array([ 阅读全文

摘要： 最近在研究Iris花的逻辑回归分类中看到了如下的代码： from sklearn.linear_model import LogisticRegression X = iris["data"][:, 3:] y=(iris["target"]==2).astype(np.int) log_reg = LogisticRegression() log_reg.fit(X, y) X_new=... 阅读全文