精华内容
下载资源
问答
  • python机器学习资料小合集

    千次下载 热门讨论 2017-04-19 13:10:30
    python机器学习资料小合集,包括机器学习十大算法以及python机器学习等资料指导,一些训练常用的代码和数据集
  • Python机器学习基础教程

    千次阅读 热门讨论 2019-12-22 15:00:23
    Python机器学习教程 第一章:对于机器学习,我们选择了Python 第二章:了解SciPy、Pandas

    Python机器学习教程

    第一章:对于机器学习,我们选择了Python

    第二章:了解SciPy、Pandas

    持续更新 ... ...
     

     

    展开全文
  • 书籍<python machine learing>(python机器学习)的中英文版!详细讲述机器学习概念,和python的机器学习sklearn包的代码实现.概念和代码实战兼备,类似于吴恩达的机器学习视频.
  • python机器学习手写算法系列——线性回归

    万次阅读 多人点赞 2019-05-06 19:51:29
    本文致力于手把手教你实现一个最简单的机器学习模型--一元线性回归模型。短短的14行代码,就实现了。希望读完以后,你也能自己实现它。并对线性回归有更好的了解,或者从不了解到了解。

    本系列另一篇文章《决策树》
    https://blog.csdn.net/juwikuang/article/details/89333344

    本文源代码:
    https://github.com/juwikuang/machine_learning_step_by_step

    最近我发现我之前写的一篇文章《一个公式告诉你为什么程序员要转算法工程师》
    http://blog.csdn.net/juwikuang/article/details/73057194
    有很多人访问。我想,很多程序员和我当初一样,想从程序员转算法工程师。

    说说我当初为什么会想到升级成算法工程师。记得三年前,我还在印孚瑟斯(Infosys),我们的CFO非常自豪的宣布公司已经成功的让专科生的比例提高了,让本科生的比例降低了。我作为一个本科程序员,听了十分难受。当然,公司这样做是为了利润,也合理合法。换了我是CFO,我也会这样做,不过,我应该不会像他一样大声说。有些事,可以做,不能说。

    后来,机缘巧合,我学习了机器学习,走上了算法工程师这条路。当时我学机器学习,是从吴恩达(Andrew Ng)的Coursera课程开始的。很多人和我一样,也是开了这门课,开始机器学习的。这门课挺好,可惜开发语言用了Octave,以至于我每次写作业,都很痛苦,因为我还要学Octave语言,而且这东西学了也没啥用。另外,这门课是英语的,只有少数人能看懂。

    本文的目的,就是从最基本,最简单的机器学习算法讲起,手把手的教你实现这个算法。一边编程,一边就明白这个算法的原理了。我本人也是程序员转的算法工程师,我们的强项就是编程,弱项就是数学。我针对这个特点,专门做了以下教程。

    言归正传。首先我们看看线性回归在整个机器学习里的位置。

    从机器学习到线性回归

    线性回归在整个机器学习

    今天,我们只关注机器学习到线性回归这条线上的概念。别的以后再说。为了让大家听懂,我这次也不查维基百科了,直接按照自己的理解用大白话说,可能不是很严谨。

    机器学习就是机器可以自己学习,而机器学习的方法就是利用现有的数据和算法,解出算法的参数。从而得到可以用的模型。

    监督学习就是利用已有的数据(我们叫X,或者特征),和数据的标注(我们叫Y),找到x和y之间的对应关系,或者说是函数f。

    回归分析是一种因变量为连续值得监督学习。

    线性回归是一种x和y之间的关系为线性关系的回归分析。 y = a 1 x 1 + a 2 x 2 + b y=a_1x_1+a_2x_2+b y=a1x1+a2x2+b,这个叫线性关系。如果这里出现了 x 2 x^2 x2, l o g ( x ) log(x) log(x), s i n ( x ) sin(x) sin(x)之类的,那就不是线性关系了。

    一元线性回归说的是,自变量x是一个纯量(scalar)。scalar类型的变量,是不可再分的。

    我希望你能说明白这些概念的关系。不过,我自己也是花了很久才了解清楚的。如果你没听明白,也没关系。毕竟都是概念,没什么实际的例子,也很难理解。等你看完了本文,了解了一元线性回归。回过头来再看这些概念,就能更好的理解了。

    问题

    这里,我们的问题是,找出算法工程师和程序员之间的工资关系。这里直接给出北京,上海,杭州,深圳,广州的工资。

    城市x-程序员工资y-算法工程师工资
    北京1.38542.1332
    上海1.22132.0162
    杭州1.10091.9138
    深圳1.06551.8621
    广州0.095031.8016

    把他们用图打出来看看他们之间的关系。

    程序员和算法工程师工资

    由图可见,他们之间大致是一个线性关系,这时候,我们就可以试着用一元线性回归去拟合(fit)他们之间的关系。

    数学模型

    一元线性回归公式

    以下是公式
    y = a x + b + ε y=ax+b+ε y=ax+b+ε

    y 为应变量 dependent variable
    x 为自变量 independent variable
    a 为斜率 coeffient
    b 为截距 intercept
    ε (读作epsilon)为误差,正态分布
    线性回归的目标是,找到一组a和b,使得ε最小
    y ^ = a x + b \hat{y}=ax+b y^=ax+b
    ε = y − y ^ ε=y-\hat{y} ε=yy^

    y ^ \hat{y} y^ 读作y hat,也有人读作y帽子。这里的帽子一般表示估计值,用来区别真实值y。

    下图可以更好的帮助你理解。

    一元线性回归
    (图片来自互联网)

    黑色的点为观测样本,即 y = a x + b + ε y=ax+b+ε y=ax+b+ε

    x红色的线为回归线,即 y ^ = a x + b \hat{y}=ax+b y^=ax+b

    x蓝色的线段为误差,即 ε = y − y ^ ε=y-\hat{y} ε=yy^

    方差 - 损失函数 Cost Function

    在机器学习中,很多时候,我们需要找到一个损失函数。有了损失函数,我们就可以经过不断地迭代,找到损失函数的全局或者局部最小值(或者最大值)。损失函数使得我们的问题转化成数学问题,从而可以用计算机求解。在线性回归中,我们用方差作为损失函数。我们的目标是使得方差最小。

    下面的表格解释了什么是方差。

    方差

    其中SSE(Sum of Square Error)是总的方差,MSE(Mean Square Error)是方差的平均值。

    而这里的损失函数,用的是0.5 * MSE。即:

    J ( a , b ) = 1 2 n ∑ i = 0 n ( y i − y ^ i ) 2 J(a,b)=\frac{1}{2n}\sum_{i=0}^{n}(y_i−\hat{y}_i )^2 J(a,b)=2n1i=0n(yiy^i)2

    记住,这里的损失函数是针对参数a和b的函数,y和 y ^ \hat{y} y^ 其实都是已知的。

    优化方法 Optimization Function

    有了损失函数,我们还需要一个方法,使得我们可以找到这个损失函数的最小值。机器学习把他叫做优化方法。这里的优化方法,就是算损失的方向。或者说,当我的参数变化的时候,我的损失是变大了还是变小了。如果a变大了,损失变小了。那么,说明a增大这个方向是正确的,我们可以朝着这个方向继续小幅度的前进。反之,就应该考虑往相反的方向试试看。因为每个参数(a和b)都是一维的,所以,所谓的方向,无非就是正负符号。

    这里,我们需要用偏微分的方法,得到损失函数的变化量。即:

    ∂ J ∂ a = ∂ 1 2 n ∑ i = 0 n ( y i − y ^ i ) 2 ∂ a \frac{\partial J}{\partial a} = \frac{\partial \frac{1}{2n}\sum_{i=0}^{n}(y_i−\hat{y}_i )^2}{\partial a} aJ=a2n1i=0n(yiy^i)2
    = 1 n ∑ i = 0 n ( y i − a x i − b ) ∂ ( y i − a x i − b ) ∂ a = \frac{1}{n}\sum_{i=0}^{n}(y_i-ax_i-b) \frac{\partial (y_i-ax_i-b)}{\partial a} =n1i=0n(yiaxib)a(yiaxib)
    = 1 n ∑ i = 0 n ( y i − a x i − b ) ( − x i ) = \frac{1}{n}\sum_{i=0}^{n}(y_i-ax_i-b) (-x_i) =n1i=0n(yiaxib)(xi)
    = 1 n ∑ i = 0 n x ( y ^ i − y i ) = \frac{1}{n}\sum_{i=0}^{n}x(\hat{y}_i-y_i) =n1i=0nx(y^iyi)

    ∂ J ∂ b = ∂ 1 2 n ∑ i = 0 n ( y i − y ^ i ) 2 ∂ a \frac{\partial J}{\partial b} = \frac{\partial \frac{1}{2n}\sum_{i=0}^{n}(y_i−\hat{y}_i )^2}{\partial a} bJ=a2n1i=0n(yiy^i)2
    = 1 n ∑ i = 0 n ( y i − a x i − b ) ∂ ( y i − a x i − b ) ∂ b = \frac{1}{n}\sum_{i=0}^{n}(y_i-ax_i-b) \frac{\partial (y_i-ax_i-b)}{\partial b} =n1i=0n(yiaxib)b(yiaxib)
    = 1 n ∑ i = 0 n ( y i − a x i − b ) ( − 1 ) = \frac{1}{n}\sum_{i=0}^{n}(y_i-ax_i-b) (-1) =n1i=0n(yiaxib)(1)
    = 1 n ∑ i = 0 n ( y ^ i − y i ) = \frac{1}{n}\sum_{i=0}^{n}(\hat{y}_i-y_i) =n1i=0n(y^iyi)

    如果你已经忘了微积分,你暂时可以不必纠结上面的公式,只要知道公式给出了损失函数的变化就可以了。伟大的python还提供了sympy,你可以用sympy做微积分。这部分我也放在附件代码里了,有兴趣的可以看一下。

    之前说到,整过迭代过程是小幅度进行的。这里,就需要一个超参数来控制这个过程。这个超参数就是 α \alpha α,通常是0.01.

    这时,我们就可以去更新a和b的值:
    a = a − α ∂ J ∂ a a = a - \alpha \frac{\partial J}{\partial a} a=aαaJ
    b = b − α ∂ J ∂ b b = b - \alpha \frac{\partial J}{\partial b} b=bαbJ

    到这里,在你继续往下读之前,你先自己考虑一下,为什么这里是负号?

    你考虑好了么,如果你考虑好了,我就公布答案了。

    本身 ∂ J ∂ a \frac{\partial J}{\partial a} aJ ∂ J ∂ b \frac{\partial J}{\partial b} bJ 是损失函数的变化量。如果损失函数随着a变大了,即 ∂ J ∂ a \frac{\partial J}{\partial a} aJ 为正。说明a的增大会导致损失函数的增大。那么是不是说,a的减小会使得损失函数减小呢?而我们的目标是使得J最小,所以,这个时候,我们的a要减小一点点。

    损失的方向
    (图片来自互联网)

    算法步骤

    1. a和b的起始值设置为零
    2. 通过模型 y ^ = a x + b \hat{y}=ax+b y^=ax+b,我们可以算出 y ^ \hat{y} y^
    3. 有了 y ^ \hat{y} y^,就可以用优化方法算去更新参数
    4. 重复2和3,直到找到J的最小值

    流程图如下:

    Created with Raphaël 2.2.0 开始 a=0, b=0 计算模型y_hat=ax+b 计算a和b的微分 更新a和b 找到损失函数的最小值 结束 yes no

    下图解释了模型,损失函数和优化方法之间的关系。

    模型,损失函数和优化方法之间的关系

    Python 实现

    理论部分先告一段落,我们现在开始写代码,实现一元线性回归。

    首先是模型,这个很简单:

    def model(a, b, x):
        return a*x + b
    

    接着,是损失函数:

    def cost_function(a, b, x, y):
        n = 5
        return 0.5/n * (np.square(y-a*x-b)).sum()
    

    最后,是优化函数:

    def optimize(a,b,x,y):
        n = 5
        alpha = 1e-1
        y_hat = model(a,b,x)
        da = (1.0/n) * ((y_hat-y)*x).sum()
        db = (1.0/n) * ((y_hat-y).sum())
        a = a - alpha*da
        b = b - alpha*db
        return a, b
    

    以上三个函数中a和b是标量(scalar value),x和y是向量(vector)
    至此,一元线性回归的主要部分就完成了。一共才14行代码,是不是很简单。

    训练模型

    有了模型,损失函数,优化函数,我们就可以训练模型了。具体过程请见附件代码。

    这里给出分别训练1次,再训练5次,再训练10次,再训练100,再训练10000次的模型。

    1次

    5次

    10次

    100次

    10000次

    从上面几幅图,我们可以看到,随着训练次数的增加,回归线越来越接近样本了。我们自己写的线性回归比较简单,我只能目测,凭直觉感觉损失函数已经达到了最小值,我们就停在10000次吧。

    看得再多,不如自己动手。阅读下一章节之前,请自己实现一元线性回归。

    这里有现成的代码,供你参考。

    http://download.csdn.net/download/juwikuang/10050886

    模型评价

    在机器学习中,模型的好坏是有标准的。在回归模型中,我们用 R 2 R^2 R2 来评价模型。公式:
    R 2 = S S R / S S T R^2=SSR/SST R2=SSR/SST
    其中
    S S R = ∑ i = 0 n ( y ^ i − y ˉ ) SSR=\sum_{i=0}^{n}(\hat{y}_i-\bar{y}) SSR=i=0n(y^iyˉ)
    S S T = ∑ i = 0 n ( y i − y ˉ ) SST=\sum_{i=0}^{n}(y_i-\bar{y}) SST=i=0n(yiyˉ)
    y ˉ \bar{y} yˉ 读作y bar,是y的平均值。
    可以证明 S S T = S S R + S S E SST=SSR+SSE SST=SSR+SSE,证明过程又会涉及到期望等概念,我们这里不展开了。

    好了,现在你应该回到代码中去计算 R 2 R^2 R2 了。

    用scikit-learn训练和评价模型

    平时在工作中,我们不可能自己去写回归模型,最常用的第三方工具是scikit-learn。
    其官网是:
    http://scikit-learn.org/

    以下是ipython代码。

    import numpy as np
    from sklearn.linear_model import LinearRegression
    import matplotlib.pyplot as plt
    %matplotlib inline
    
    x = [13854,12213,11009,10655,9503] #程序员工资,顺序为北京,上海,杭州,深圳,广州
    x = np.reshape(x,newshape=(5,1)) / 10000.0
    y =  [21332, 20162, 19138, 18621, 18016] #算法工程师,顺序和上面一致
    y = np.reshape(y,newshape=(5,1)) / 10000.0
    # 调用模型
    lr = LinearRegression()
    # 训练模型
    lr.fit(x,y)
    # 计算R平方
    print lr.score(x,y)
    # 计算y_hat
    y_hat = lr.predict(x)
    # 打印出图
    plt.scatter(x,y)
    plt.plot(x, y_hat)
    plt.show()
    
    

    恭喜你,看完了本文,也学会了一元线性回归。如果对你有帮助,请给我一个赞。你的支持和鼓励是我继续写下去的动力。

    如果有疑问,请下面留言。

    python机器学习手写算法系列

    完整源代码:

    https://github.com/juwikuang/machine_learning_step_by_step

    欢迎阅读本系列其他文章:

    《python机器学习手写算法系列——线性回归》

    《python机器学习手写算法系列——逻辑回归》

    《python机器学习手写算法系列——决策树》

    《python机器学习手写算法系列——kmeans聚类》

    展开全文
  • Python机器学习算法基础概述

    千次阅读 多人点赞 2021-04-17 19:27:49
    Python机器学习概述1.基础概述2.算法分类3.研究内容 1.基础概述 机器学习(Machine Learing)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。 机器学习专门研究计算机怎样...

    1.基础概述

    • 机器学习(Machine Learing)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。
    • 机器学习专门研究计算机怎样模拟或实现人类的学习行为,以便获取新的知识和技能,重新组织已有的知识结构使之不断改善自身的性能。
    • 机器学习是人工智能的核心,是计算机具有智能的根本途径,其应用遍及人工智能的各个领域。
    • 机器学习使用归纳、综合而不是演绎。

    2.算法分类

    • 按照学习方式

      • 监督学习

        在这里插入图片描述

      • 半监督学习

        在这里插入图片描述

      • 无监督学习

        在这里插入图片描述

      • 强化学习

        在这里插入图片描述

    • 按照算法相似性

      • 回归算法

        在这里插入图片描述

      • 聚类算法

        在这里插入图片描述

      • 降维算法

        在这里插入图片描述

      • 深度学习

        在这里插入图片描述

      • 集成算法

        在这里插入图片描述

      • 正则化算法

        在这里插入图片描述

      • 决策树算法

        在这里插入图片描述

      • 贝叶斯算法

        在这里插入图片描述

      • 关联规则学习

        在这里插入图片描述

      • 人工神经网络

        在这里插入图片描述

      • 基于核的算法

        在这里插入图片描述

      • 基于实例的算法

        在这里插入图片描述

    3.研究内容

    机器学习领域的研究工作主要围绕以下三个方面

    • 面向任务的研究,研究和分析改进一组预定任务的执行性能的学习系统。
    • 认知模型,研究人类学习过程并进行计算机的模拟。
    • 理论分析,从理论上探索各种可能的学习方法和独立于应用领域的算法。
    展开全文
  • Python机器学习--四大基础库

    千人学习 2017-09-06 13:48:15
    购买课程后,添加小助手微信(微信号:csdn500)回复【唐宇迪】 进入学习群,获取唐宇迪老师答疑 科学计算库Numpy ,数据分析处理库Pandas,可视化库Matplotlib与Seaborn 是Python机器学习中最基本的四大机器学习库...
  • Python机器学习预测算法

    千次阅读 2019-07-16 16:45:09
    a bytes-like object is required, not 'str'Python机器学习核心预测算法第2章 通过理解数据来了解问题2.1 解剖一个新问题2.1.1 属性和标签的不同类型决定模型的选择2.1.2 新数据集的注意事项2.2 分类问题:用声呐...

    Python机器学习核心预测算法

    关于本书的学习及上机实现的笔记。

    第2章 通过理解数据来了解问题

    2.1 解剖一个新问题

    note: 机器学习数据集通常对应列一个属性,行对应一个观察,但也有例外。例如,有些文本挖掘问题的数据矩阵就是另外的形式:列对应一个观察,行对应一个属性。
    属性(预测因子、特征、独立变量、输入)
    标签(结果、目标、依赖变量、响应)

    2.1.1 属性和标签的不同类型决定模型的选择

    a、数值变量;
    b、类别(因子、因素)变量
    例如惩罚回归算法只能处理数值变量,SVM、核方法、K最近邻也是同样。第4章将介绍将类别变量转换成数值变量的方法。
    当标签是数值的,就叫做回归问题。当标签是类别的,就叫做分类问题。如果分类结果只取2个值,就叫作二元分类问题。如果取多个值,就是多类别分类问题。
    可以吧一个回归问题变成二元分类问题。

    2.1.2 新数据集的注意事项

    需要检查的事项:
    1、行数、列数
    2、类别变了的数目、类别的取值范围
    3、缺失的值:当数据规模较大时,可以直接丢失;当数据规模小特别是生物数据且有多种属性时,需要找到方法把丢失的值填上(遗失值插补),或者使用能够处理丢失数据的算法。
    4、属性和标签的统计特性

    2.2 分类问题:用声呐发现未爆炸的水雷

    2.2.1 “岩石 vs. 水雷”数据集的物理特性

     运行时出现问题
      row = line.strip(' ').split(",")
      TypeError: a bytes-like object is required, not 'str'
      原因:Python3和Python2 在套接字返回值解码上有区别,需要decode(‘utf8’)
      具体解释参考链接:https://blog.csdn.net/NockinOnHeavensDoor/article/details/78765781
      https://www.fujieace.com/python/str-bytes.html 
    

    由程序 rockVmineSummaries.py 得到
    sonar 数据集规模
    另外一个重要的观察,如果数据集的列数远远大于行数,那么采用惩罚线性回归的方法则有很大可能获得最佳预测,反之亦然。
    由程序 rockVmineContents.py 可以确定哪些列是数值型的,哪些列是类别型的。分析结果:前60列是数值型,最后一列都是字符串。这些字符串值是标签。
    在这里插入图片描述确定每个属性的特征
    try…except…else…是Python中异常处理的方法,
    详见(https://www.runoob.com/python/python-exceptions.html)

    2.2.1 “岩石 vs. 水雷”数据集的统计特征

    由程序 rVMSummaryStats.py 得到该数据集的统计特征,

    展开全文
  • 从零开始掌握Python机器学习

    万次阅读 多人点赞 2017-03-14 14:54:23
    Author:kevinelstri DateTime:2017/3/14 ...本教程或许能帮你成功上手,从 0 到 1 掌握 Python 机器学习,至于后面再从 1 到 100 变成机器学习专家,就要看你自己的努力了。本教程原文分为两个部分,机器
  • Python机器学习中文版

    千次阅读 2018-03-16 13:16:10
    建议Ctrl+D保存到收藏夹,方便随时查看人工智能(AI)学习资料库Python机器学习简介第一章 让计算机从数据中学习将数据转化为知识三类机器学习算法第二章 训练机器学习分类算法透过人工神经元一窥早期机器学习历史...
  • 必先利其器——Python机器学习环境搭建

    千次阅读 多人点赞 2021-04-04 14:00:23
    必先利其器——Python机器学习环境搭建 一、安装Python、Pycharm、Anaconda PyCharm是一款好用且流行的Python编辑器。分为免费的社区版和花钱的专业版,我们选择社区版即可。 Anaconda包含了conda、Python等190多个...
  • 如果你对Python机器学习感兴趣,python机器学习教程哪个好?这份python机器学习教程分享给你。 python基础教程:http://pan.baidu.com/s/1qYTZiNE python课程教学高手晋级视频总目录:http://pan.baidu...
  • Python 机器学习常用模型

    千次阅读 2019-08-02 14:37:20
    Python 机器学习常用模型 python基础教程 python基础系列教程——Python的安装与测试:python解释器、PyDev编辑器、pycharm编译器 python基础系列教程——Python库的安装与卸载 python基础系列教程——Python3.x标准...
  • Python机器学习机器学习,如今最令人振奋的计算机领域之一。看看那些大公司,Google、Facebook、Apple、Amazon早已展开了一场关于机器学习的军备竞赛。从手机上的语音助手、垃圾邮件过滤到逛淘宝时的物品推荐,无一...
  • python机器学习案例

    2018-10-14 12:44:09
    机器学习的学习小案例,包含logistic-regression、k-mens、randomforest等
  • 1、《Python机器学习基础》高清PDF中英文双版+实战源代码; 2、吴恩达教授课程笔记+原始讲义; 最近由于工作需要和个人兴趣所向,开始学习python机器学习 ** 笔记 首先我自己通俗总结下机器学习是什么,简单来说就是...
  • Python机器学习库scikit-learn实践

    万次阅读 多人点赞 2015-10-05 00:02:22
    Python机器学习库scikit-learn实践zouxy09@qq.comhttp://blog.csdn.net/zouxy09 一、概述 机器学习算法在近几年大数据点燃的热火熏陶下已经变得被人所“熟知”,就算不懂得其中各算法理论,叫你喊上一两个著名算法...
  • Python常用的机器学习Python在科学计算中用途广泛:计算机视觉、人工智能、数学、天文等。它同样适用于机器学习也是意料之中的事。 这篇文章就列举并描述Python的最有用的机器学习工具和库。这个列表中,我们不...
  • Python机器学习库sklearn的安装

    千次阅读 2017-03-30 16:51:20
    Python机器学习库sklearn的安装scikit-learn是Python的一个开源机器学习模块,它建立在NumPy,SciPy和matplotlib模块之上能够为用户提供各种机器学习算法接口,可以让用户简单、高效地进行数据挖掘和数据分析。...
  • Python机器学习经典案例实战

    千人学习 2017-03-24 08:54:50
    Python机器学习领域应用是非常广泛的,比如,我们可以使用机器学习进行验证码识别,使用机器学习实现计算机视觉项目,或者,我们也可以使用机器学习技术实现网页分类、文本挖掘、情感分析等等各种各样的事情。机器...
  • Python机器学习中的数学原理详解(补充勘误表)

    万次阅读 多人点赞 2015-12-09 15:42:53
    Python机器学习中的数学修炼一书以机器学习为主导,系统地整理并介绍了机器学习中所涉及的必备数学基础。具体包括微积分、概率论与数理统计、数值计算、信息论、凸优化、泛函分析基础与变分法,以及蒙特卡洛采样等...
  • python机器学习经典实例------源代码

    千次阅读 热门讨论 2018-03-21 16:06:12
    1、python机器学习经典实例代码,有需要的请留言。
  • python机器学习库scikit-learn:SVR的基本应用

    万次阅读 多人点赞 2017-03-04 16:38:18
    python机器学习库scikit-learn:SVR的基本应用
  •   为了提升自己,准备学习《Python机器学习基础教程》作者: [德]安德里亚斯·穆勒 / [美]莎拉·吉多,译者: 张亮 ;写此博客,用作记录书中的代码,学习心得等 第一章 使用matplotlib 作图   matplotlib 是...
  • 购买课程后,添加小助手微信(微信号:csdnxy68)回复【唐宇迪】 进入学习群,获取唐宇迪老师答疑 Python机器学习实训营(原理推导+代码复现+实验分析)课程旨在帮助同学们在机器学习领域打下坚实基础。课程注重算法...
  • Python机器学习 学习笔记与实践 例子一 源自《Python与机器学习实战》—何宇健 任务:现有47个房子的面积和价格,需要建立一个模型对房价进行预测。 1、获取和处理数据 房子的面积与价格对应的数据点击下面获得: ...
  • python机器学习手写算法系列——线性回归》 《python机器学习手写算法系列——决策树》 概述 GBDT全称Gradent Boosting Decision Tree, 也叫Gradient Boosting Tree。 GBDT是一种ensemble方法。所以如果你使用...
  • Python机器学习算法和实践

    千人学习 2018-06-22 15:49:25
    机器学习算法实战教程,包括各种常用机器学习算法,该课程教学视频以手写形式+普通话授课(类似斯坦福大学授课方式),+Python代码。经典算法进行原理推导与案例实战双管齐下,具体课程内容包括K-Means算法、KNN算法...
  • Python机器学习进阶实战视频教学

    千人学习 2018-11-14 14:51:56
    购买课程后,添加小助手微信(微信号:csdnxy68)回复【唐宇迪】 进入学习群,获取唐宇迪老师答疑 进阶实战课程旨在帮助同学们掌握机器学习进阶算法原理并应用Python工具包进行实战任务,学习过程中建议大家先掌握...
  • Python机器学习经典实例

    千次阅读 2019-05-29 21:56:58
    在如今这个处处以数据驱动的世界中,机器学习正变得越来越大众化。它已经被广泛地应用于不同领域,如搜索引擎、机器人...用最火的Python语言、通过各种各样的机器学习算法来解决实际问题! 书中介绍的主要问题如下。...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 411,275
精华内容 164,510
关键字:

python机器学习

python 订阅