摘要：
多元线性回归算法和正规方程解 ——燕江依/2019.08.05 1、对于多元线性回归算法，它对于数据集具有较好的可解释性，我们可以对比不过特征参数的输出系数的大小来判断它对数据的影响权重，进而对其中隐含的参数进行扩展和收集，提高整体训练数据的准确性。 2、对于KNN算法和多元线性回归算法对比可以知道 阅读全文
摘要：
//2019.08.04#线性回归算法基础入门(Linear Regression)1、线性回归算法是一种非常典型的解决回归问题的监督学习算法，它具有以下几个特点：(1)典型的回归算法，可以解决实际中的回归问题；(2)思想简单，容易实现；(3)是许多强大的非线性算法模型的基础；(4)结果具有很好的可 阅读全文
摘要：
Python如何输出矩阵的行数与列数？ 对于pyhton里面所导入或者定义的矩阵或者表格数据，想要获得矩阵的行数和列数有以下方法： 1、利用shape函数输出矩阵的行和列 x.shape函数可以输出一个元组（m,n），其中元组的第一个数m表示矩阵的行数，元组的第二个数n为矩阵的列数 具体代码如下： 阅读全文
摘要：
最小二乘法的数学原理推导（机器学习线性回归） ——燕江依/2019.08.04 对于简单线性回归问题，即数据特征只有一个的基础数据集，要使得损失函数(这里是指真值与预测值之间误差的平方)最小，从而求得最优化的参数a和b，这个具体方法称为最小二乘法，利用最小二乘法，可以得到最佳的参数a和b的计算式，如 阅读全文
摘要：
//2019.08.03晚#k-近邻算法的拓展思考与总结1、k-近邻算法是一种非常典型的分类监督学习算法，它可以解决多分类的问题；另外，它的整体思想简单，效果强大。它也可以用来解决回归问题，使用的库函数为KNeighborsRegressor 2、k-近邻算法虽然可以很好地解决多分类问题，但是它也有 阅读全文
摘要：
//2019.08.03下午#机器学习算法的数据归一化(feature scaling)1、数据归一化的必要性：对于机器学习算法的基础训练数据，由于数据类型的不同，其单位及其量纲也是不一样的，而也正是因为如此，有时它会使得训练集中每个样本的不同列数据大小差异较大，即数量级相差比较大，这会导致在机器学 阅读全文
摘要：
1、机器学习算法的整体使用步骤如下： (1)从scikitlearn库中调用相应的机器学习算法模块；(2)输入相应的算法参数定义一个新的算法；(3)输入基础训练数据集利用scaler对其进行数据归一化处理 (4)对于归一化的数据集进行机器学习算法的训练fit过程；(5)输入测试数据集对其结果进行预测 阅读全文
摘要：
机器学习算法参数的网格搜索实现： //2019.08.031、scikitlearn库中调用网格搜索的方法为：Grid search，它的搜索方式比较统一简单，其对于算法批判的标准比较复杂，是一种复合交叉批判方式，不仅仅是准确率。其具体的实现方式如下(以KNN算法的三大常用超参数为例)：#使用sci 阅读全文
摘要：
//2019.08.02下午#机器学习算法中的超参数与模型参数1、超参数：是指机器学习算法运行之前需要指定的参数，是指对于不同机器学习算法属性的决定参数。通常来说，人们所说的调参就是指调节超参数。2、模型参数：是指算法在使用过程中需要学习得到的参数，即输入与输出之间映射函数中的参数，它需要通过对于训 阅读全文
摘要：
1、k近邻算法可以说是唯一一个没有训练过程的机器学习算法，它含有训练基础数据集，但是是一种没有模型的算法，为了将其和其他算法进行统一，我们把它的训练数据集当做它的模型本身。2、在scikitlearn中调用KNN算法的操作步骤如下（利用实际例子举例如下）：#1导入相应的数据可视化模块import n 阅读全文