摘要：
安装 pip install pdfminer 爬取数据是数据分析项目的第一个阶段，有的加密成pdf格式的文件，下载后需要解析，使用pdfminer工具。 先介绍一下什么是pdfminer 下面是官方一段英文介绍： PDFMiner is a tool for extracting informat 阅读全文
摘要：
第1章 概述 1.1 机器学习技术路线图 第2章 数据清洗 2.1 处理缺失值 工具h2o.ai可以显示数据每个属性的缺失值情况，如下图： 2.2 数据集的格式 工具Weka要求数据是arff的，但也支持csv文件，在weka中arff文件有优势，可以设置属性的类型，其中weka有四种基本类型(nu 阅读全文
摘要：
数据清洗，使用python数据清洗cvs里面带中文字符，意图是用字典对应中文字符，即key值是中文字符，value值是index，自增即可；利用字典数据结构没有重复key值的特性，把中文字符映射到了数值index。 python代码如下：（data数据时csv格式） 上例是真实的数据处理，有两百列属 阅读全文
摘要：
本人最近读完《疯狂java-突破程序员基本功的16课 》读完后，感觉对java基础又有了新的认识，在这里总结一下：一、数组与内存控制 1.1 数组初始化 java语言的数组是静态的，即数组初始化之后，长度不可以变（区别，JavaScript数组可变，是动态的）。 初始化分两种：静态初始化，初始化时由 阅读全文
摘要：
不管是实验室研究机器学习算法或是公司研发，都有需要自己改进算法的时候，下面就说说怎么在weka里增加改进的机器学习算法。 一 添加分类算法的流程 1 编写的分类器必须继承 Classifier或是Classifier的子类；下面用比较简单的zeroR举例说明； 2 复写接口 buildClassif 阅读全文
摘要：
在平时的研究之余，希望每天晚上闲下来的时候，都学习一个机器学习算法，今天看到几篇不错的遗传算法的文章，在这里总结一下。 1 神经网络基本原理 图1. 人工神经元模型 图中x1~xn是从其他神经元传来的输入信号，wij表示表示从神经元j到神经元i的连接权值，θ表示一个阈值 ( threshold )， 阅读全文
摘要：
朴素贝叶斯之所以叫朴素，是因为它假定了所有的属性之间是独立的。下面我们就分别说说，属性值是离散和连续值的朴素贝叶斯对问题的求解方法吧。 1 贝叶斯定理 贝叶斯定理最大的用处是在很多情况下，我们需要求的概率是后验概率P(B|A)，很难直接求解，但是他的先验概率P(A|B)却很容易求解，这时候贝叶斯定理 阅读全文
摘要：
LibSVM是weka3.5以后的版本新加的功能，使用这个算法必须自己下载jar包，配置进项目； LibSVM在weka可视化界面的使用，很多人写过，但在clipse下的调用资料却不多，试了很多都不能完成，报错 libsvm classes not in CLASSPATH LibSVM 下载地址： 阅读全文
摘要：
在机器学习分类结果的评估中，ROC曲线下的面积AOC是一个非常重要的指标。下面是调用weka类，输出AOC的源码： 接着说一下交叉验证； 如果没有分开训练集和测试集，可以使用Cross Validation方法，Evaluation中crossValidateModel方法的四个参数分别为，第一个是 阅读全文
摘要：
相对于机器学习，关联规则的apriori算法更偏向于数据挖掘。 1） 测试文档中调用weka的关联规则apriori算法，如下 步骤 1 读取数据集data，并提取样本集instances 2 离散化属性Discretize 3 创建Apriori 关联规则模型 4 输出大频率项集和关联规则集 2） 阅读全文