摘要：
深度学习和机器学习的区别 特征提取 机器学习的特征工程步骤是要靠手动完成的 深度学习通常由多个层组成，它们通常将更简单的模型组合在一起，将数据从一层传递到另一层来构建更复杂的模型。通过训练大量数据自动得出模型，不需要人工特征提取环节。 数据量和计算性能要求 机器学习需要的执行时间远少于深度学习，深度 阅读全文
摘要：
案例1：K-近邻算法预测Facebook签到位置 数据介绍 row_id：登记事件的ID xy：坐标 准确性：定位准确性 时间：时间戳 place_id：业务的ID，预测目标 代码 from sklearn.model_selection import train_test_split,GridSe 阅读全文
摘要：
无监督学习 通俗来讲，无监督学习就是没有目标值 无监督学习包含算法 聚类 K-means(K均值聚类) 降维 PCA K-means原理 K-means的聚类效果图 K-means聚类步骤 随机设置K个特征空间内的点作为初始的聚类中心 对于其他每个点计算到K个中心的距离，未知的点选择最近的一个聚类中 阅读全文
摘要：
逻辑回归 定义 逻辑回归（Logistic Regression）是机器学习中的一种分类模型，逻辑回归是一种分类算法，虽然名字中带有回归，但是它与回归之间有一定的联系。由于算法的简单和高效，在实际中应用非常广泛。逻辑回归是解决二分类(两个类别之间的判断)问题的利器 原理 输入 逻辑回归的输入就是一个 阅读全文
摘要：
线性回归 定义与公式 线性回归(Linear regression)是利用回归方程(函数)对一个或多个自变量(特征值)和因变量(目标值)之间关系进行建模的一种分析方式。 特点：只有一个自变量的情况称为单变量回归，大于一个自变量情况的叫做多元回归 线性回归当中的关系有两种，一种是线性关系，另一种是非线 阅读全文
摘要：
决策树 原理 信息熵 定义：H的专业术语称之为信息熵，单位为比特。 总结：信息和消除不确定性是相联系的 信息增益：决策树的划分依据之一 定义与公式 特征A对训练数据集D的信息增益g(D,A),定义为集合D的信息熵H(D)与特征A给定条件下D的信息条件熵H(D|A)之差，即公式为： 信息增益表示得知特 阅读全文
摘要：
朴素贝叶斯算法 朴素贝叶斯算法：朴素 + 贝叶斯 朴素：假设特征与特征之间是相互独立 贝叶斯公式 公式应用在文章分类中，公式可以理解为 公式分为三个部分： P(C)：每个文档类别的概率(某文档类别数／总文档数量) P(W│C)：给定类别下特征（被预测文档中出现的词）的概率 计算方法：P(F1│C)= 阅读全文
摘要：
数据集介绍 数据集划分 训练数据：用于训练，构建模型 测试数据：在模型检验时使用，用于评估模型是否有效 划分比例： 训练集：70% 80% 75% 测试集：30% 20% 30% API sklearn.model_selection.train_test_split(arrays, *option 阅读全文
摘要：
人工智能概述 机器学习和人工智能，深度学习的关系 机器学习是人工智能的一个实现途径 深度学习是机器学习的一个方法发展而来 机器学习概述 机器学习是从数据中自动分析获得模型，并利用模型对未知数据进行预测。 机器学习算法分类 监督学习(supervised learning)（预测） 定义：输入数据是由 阅读全文
摘要：
摘要：主要介绍Flask+Ajax前后台数据交互的使用，系统并不完善 代码 app.py from flask import Flask,render_template,request import pymysql import json app = Flask(__name__) #设置启动页 @ 阅读全文