04 2022 档案

8&9.聚合运算&索引

摘要：import numpy as np L = np.random.random(100) L array([0.14707817, 0.51538313, 0.50141282, 0.63780797, 0.51842999, 0.89482605, 0.24431981, 0.43637874, 阅读全文

posted @ 2022-04-03 21:00 饮冰未阅读(253) 评论(0) 推荐(0) 编辑

7.numpy.array中的计算

摘要：numpy.array中的计算给定一个向量，让向量中的数乘以2 a = (0, 1, 2), a * 2 = （0， 2 ，4） n = 10 L = [i for i in range(n)] L [0, 1, 2, 3, 4, 5, 6, 7, 8, 9] # 直接用L*2得到的结果是两个L 阅读全文

posted @ 2022-04-03 11:04 饮冰未阅读(115) 评论(0) 推荐(0) 编辑

5-9.scikit-learn中的线性回归问题

摘要：import numpy as np import matplotlib.pyplot as plt from sklearn import datasets boston_data = datasets.load_boston() X = boston_data.data y = boston_d 阅读全文

posted @ 2022-04-03 10:41 饮冰未阅读(49) 评论(0) 推荐(0) 编辑

18.网格搜索

摘要：import numpy as np from sklearn import datasets digits = datasets.load_digits() X = digits.data y = digits.target from sklearn.model_selection import 阅读全文

posted @ 2022-04-03 10:40 饮冰未阅读(146) 评论(0) 推荐(0) 编辑

5-8.实现多元线性回归

摘要：import numpy as np import matplotlib.pyplot as plt from sklearn import datasets boston_data = datasets.load_boston() X = boston_data.data y = boston_d 阅读全文

posted @ 2022-04-03 10:24 饮冰未阅读(78) 评论(0) 推荐(0) 编辑

5-5衡量回归算法的标准

摘要：衡量回归算法的标准 import numpy as np import matplotlib.pyplot as plt from sklearn import datasets 波士顿房产数据 boston_market = datasets.load_boston() print(boston_ 阅读全文

posted @ 2022-04-02 19:58 饮冰未阅读(54) 评论(0) 推荐(0) 编辑

5-3.简单的线性回归

摘要：import numpy as np import matplotlib.pyplot as plt x = np.array([1., 2., 3., 4., 5.]) y = np.array([1., 3., 2., 3., 5.]) plt.scatter(x, y) plt.axis([0 阅读全文

posted @ 2022-04-02 19:42 饮冰未阅读(57) 评论(0) 推荐(0) 编辑

5&6.numpy数组的基本操作

摘要：import numpy as np x = np.arange(10) x array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]) X = np.arange(15).reshape(3, 5) X array([[ 0, 1, 2, 3, 4], [ 5, 6, 7, 8, 阅读全文

posted @ 2022-04-01 22:44 饮冰未阅读(265) 评论(0) 推荐(0) 编辑