摘要：
sklearn库简单介绍 一、总结 一句话总结： sklearn库的共分为6大部分，分别用于完成【数据的预处理、模型选择、分类任务、回归任务、聚类任务和降维任务】。 【各种机器学习方法很多都有现成的】，非常非常好用的一个库 1、sklearn库-分类任务？ 比如最近邻、支持向量机、决策树、朴素贝叶斯 阅读全文
摘要：
机器学习实例 1.3、k-近邻算法（数字识别） 一、总结 一句话总结： 原理非常简单，这里的每个数字都是1024维的向量，由0和1组成，【求解的时候就是求测试的点（那个1024维数据）和所有训练数据（也是一个个1024维数据）的距离】，然后根据【最近的k个】来确定分类即可 相比于简单knn和海伦约会 阅读全文
摘要：
机器学习实例 1.2、k-近邻算法（海伦约会） 一、总结 一句话总结： 核心代码就是直接调用 【简单k-nn】 里面的那个 【classify0方法】，非常简单 也就是说，k-nn在实战中也是【非常非常简单】的，就是【选最近邻的k个】来确定分类 def classify0(inX, dataSet, 阅读全文
摘要：
数据分析归一化简介 一、总结 一句话总结： 一种是把数变为（0，1）之间的小数 一种是把有量纲表达式变为无量纲表达式 1、归一化中 把数变为（0，1）之间的小数 的实例？ 求和，然后算权值 {2.5 3.5 0.5 1.5}归一化后变成了{0.3125 0.4375 0.0625 0.1875} 解 阅读全文
摘要：
min-max归一化矩阵代码 一、总结 一句话总结： 这里是min-max归一化，就【按公式x* =(x-min)/(max-min)来做矩阵运算】就可以了 min-max标准化：x* =(x-min)/(max-min)：【新数据加入，需重新计算max和min】 这里矩阵运算你的话主要就是【平铺t 阅读全文
摘要：
数据归一化和两种常用的归一化方法 一、总结 一句话总结： min-max标准化：x* =(x-min)/(max-min)：新数据加入，需重新计算max和min Z-score标准化：x* =(x-μ)/σ：μ为所有样本数据的均值，σ为所有样本数据的标准差 1、为什么要对数据进行归一化处理？ 不同评 阅读全文
摘要：
机器学习实例 1.1、k-近邻算法（简单k-nn） 一、总结 一句话总结： 【取最邻近的分类标签】：算法提取样本最相似数据(最近邻)的分类标签 【k的出处】：一般来说，我们只选择样本数据集中前k个最相似的数据，这就是k-近邻算法中k的出处 【k-近邻算法实例】：比如，现在我这个k值取3，那么在电影例 阅读全文
摘要：
Python中的operator.itemgetter函数 一、总结 一句话总结： 【itemgetter函数用于获取对象的哪些维的数据】：operator模块提供的itemgetter函数用于获取对象的哪些维的数据，参数为一些序号（即需要获取的数据在对象中的序号） 实例：a = [1,2,3] b 阅读全文
摘要：
np.tile()函数的作用 一、总结 一句话总结： 本着函数取名必有所依的原理，tile有【平铺】的意思。 【1.沿X轴复制】：在numpy中，np.tile（a,(2)）函数的作用就是将函数将函数沿着X轴扩大两倍。如果扩大倍数【只有一个，默认为X轴】 【2.XY轴都复制，或只沿着Y轴复制的方法】 阅读全文