机器学习
-
机器学习之数据标准化
本文将具体介绍，当我们的数据导入到代码里时，数据有的可能是中文、数字、时间等等，对于计算机来说肯定十分头大，数据还会有缺失、不统一等问题，所以需要对数据进行标准化，也叫特征工程。 这样的好处主要有两个，一是可以提升模型的精度，二是可以提升模型的收敛速度 一、归一化 \ 标准化 sklearn的preprocessing提供了可以满足需求的归一化方法 1.1 …
-
机器学习之朴素贝叶斯算法
朴素贝叶斯为根据贝叶斯定理，假设每个特征之间相互独立，然后根据每个特征值所属的概率最大的分类相加，最后得出哪个分类的概率可能性最大，就把预测的数据划分到那个类别下，对实现原理感兴趣的小伙伴，可以翻翻其他的博主的文章看看。 附上本人测试的代码，如下， # -*- coding:utf-8 -*- # 导入科学计算工具 import numpy as np # …
-
机器学习之决策树分类器
决策树，当下比较流行的有三种分类器， C4.5, ID3, CART， 不过大同小异，主要的区别就是选择的目标函数不同，ID3使用的是信息增益，C4.5使用信息增益率，CART使用的是Gini系数。 ，具体的原理就不说了，去翻翻别的博主吧，下面给出本人测试的小demo，帮助各位学者更快入手。 # -*- coding:utf-8 -*-from sklear…
-
机器学习-模型保存和加载
下面介绍训练好的AI模型如何保存和加载，分为机器学习和深度学习两种略微有所区别，因为深度学习要保存整个网络结构，所以略微不同 1.机器学习模型保存方式一使用python自带的pickle import picklef = open(‘saved_model/rfc.pickle’,’wb’) pickle.dump(rfc,f) #参数1为训练好的模型 f.…
-
机器学习分类算法之KNN算法
KNN算法为按距离进行分类的，对于已知的分类，根据欧式距离，最靠近那个分类就被预测为那个分类。 本文只是简单展示一下实现代码，具体的特征和分类，还得自己根据实际场景去调整。 在开始之前注意看看导入的包是否都存在，如不存在的化，请先安装相应的包 # -*- coding:utf-8 -*- import numpy as np from sklearn imp…
-
机器学习-分类算法-逻辑回归
# -*- coding: utf-8 -*- “”” Spyder Editor This is a temporary script file. “”” import matplotlib.pyplot as plt import numpy as np from sklearn.model_selection import train_test_s…
-
机器学习之 PCA
PCA（Principal Component Analysis）是一种常用的数据分析方法。PCA通过线性变换将原始数据变换为一组各维度线性无关的表示，可用于提取数据的主要特征分量，常用于高维数据的降维。网上关于PCA的文章有很多，但是大多数只描述了PCA的分析过程，而没有讲述其中的原理。这篇文章的目的是介绍PCA的基本数学原理，帮助读者了解PCA的工作…
-
机器学习之-奇异值分解(SVD)原理详解及推导
转载 http://blog.csdn.net/zhongkejingwang/article/details/43053513 在网上看到有很多文章介绍SVD的，讲的也都不错，但是感觉还是有需要补充的，特别是关于矩阵和映射之间的对应关系。前段时间看了国外的一篇文章，叫A Singularly Valuable Decomposition The S…
-
持久化机器学习模型（joblib方式）
import numpy as np import matplotlib.pyplot as plt from sklearn.linear_model import LinearRegression from sklearn.preprocessing import PolynomialFeatures from sklearn.externals imp…
-
机器学习项目清单
总共有八个步骤： 首先你要有一个要解决的问题 获取解决问题需要的数据 探索数据，对数据有一个清楚的理解 预处理数据以便更好地输入给机器学习算法 探索不同的模型并且找到最好的那个 调整你的模型参数，并将这些参数组合成一个更好的解决方案 展示你的结果 对你的系统进行上线、监控和维护 1 规范化问题：Frame the Problem and Look at th…
