摘要：
线性模型与非线性模型性能的区别： 一个模型如果是线性的，就意味着它的参数项要么是常数，要么是原参数和要预测的特征之间的乘积加和就是我们要预测的值。 线性模型计算复杂度较低，不足之处是模型拟合效果相对弱些。非线性模型拟合能力较强，不足之处是数据量不足容易过拟合，计算复杂度高，可解释性不好。 阅读全文
摘要：
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。 线性模型与非线性模型性能的区别： 一个模型如果是线性的 阅读全文
摘要：
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。 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
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
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。 3. 垃圾邮件分类 数据准备： 用csv读取邮件数据，分解出邮件类别及邮 阅读全文
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。 分类：找出描述并区分数据类或概念的模型，以便能够使用模型预测类标记未知的对象类。分类的目的是把数据项映射到给定的类别的某一个类中。 聚类：将本身没有类别的样本聚集成不同的组，把这组数据对象的集合叫簇。目的是使得属于同一个簇的样 阅读全文
摘要：
1、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。 根据图片的分辨率，可适当降低分辨率。 再用k均值聚类算法，将图片中所有的颜色值做聚类。 然后用聚类中心的颜色代替原来的颜色值。 形成新的图片。 观察原始图片与新图片所占用内存的大小。 #观察原始图片和新图片的内存大小import sysp 阅读全文
摘要：
1)选取初始数据中的k个对象作为初始的中心，每个对象代表一个聚类中心： 2） 3） 4） 2.鸢尾花花瓣长度做聚类分析并用散点图显示出来 3.用sklearm包的kmeans对鸢尾花的花瓣进行分析用散点图显示 4.完整的鸢尾花数据分析用散点图显示 阅读全文
摘要：
#计算鸢尾花的花瓣长度的最大值，均值，中值，均方差 from sklearn.datasets import load_iris data=load_iris() data_length=data.data[:,2] print("最大值:",np.max(data_length),"\n","平均值：",np.mean(data_length),"\n","中值:",np.median(dat... 阅读全文
摘要：
1、安装scipy，numpy，sklearn包； 2、从sklearn包自带的数据集读话的数据集； 3、查看数据类型 4、取出花的特性和类别数据，查看数据类型 5、取出所有花花萼的长度 6、取出所有花花瓣的长度和宽带 7、取出某朵花的四个特征和类别 8、将所有花分成三个组，每组50个 9、生成新的 阅读全文