代码实现简单的机器学习
1 import numpy as np
2
3 # 生成随机权值(无先验经验时一般使用随机权值)
4 m = np.random.randint(100, size=10)
5 # 训练数据
6 x = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
7 # 训练数据对应的期望目标(学习目标) False为奇数，True为偶数
8 y = np.array([False, True, False, True, False, True, False, True, False, True])
9 # 阈值(自行设置)
10 thresh_hold = 52
11 # 学习率，即变化幅度
12 alpha = 5
13
14
15 #
16 def active():
17 print(m)
18 return m * x
19
20
21 def ajust_m(j):
22 err = 0
23 right = 0
24 o_new = active()
25 o_t = o_new > thresh_hold
26 for i in range(10):
27 if o_t[i] != y[i]:
28 err += 1
29 if o_t[i]:
30 m[i] = m[i] - alpha
31 else:
32 m[i] = m[i] - alpha
33 else:
34 right += 1
35 return right
36
37
38 def predict(a):
39 result = a * m[a - 1]
40 if result > thresh_hold:
41 return True
42 else:
43 return False
44
45
46 for j in range(100):
47 right = ajust_m(j)
48 if right == 10:
49 print('第{}次已经训练成功，停止训练'.format(j + 1))
50 break
51 if j == 99 and right != 10:
52 print('训练了{}次，训练失败！！'.format(j + 1))
53
54 print('', predict(8))
机器学习简要概念
A，B表明两个工作地点的收益，A一个小时50￥，B一个小时100￥
W1，W2是两地工作时间，称为权重，机器学习中要调整的系数，[W1,W2]构成一个二维搜索空间
T = W1*A + W2*B 是我们的评估函数
TMax = 650 是期望目标，也是我们的学习目标
每天工作8小时，每地至少工作1小时，这是学习约束
delta = |T - TMax| 绝对值是我们的评估函数，损失函数(cost,loss)
delta = 达到什么结果搜索结束，由算法来设计，例如delta=1 搜索结束(搜索结束也称为函数收敛)
在搜索空间中尝试搜索过程中，对W1，W2改变的幅度称为学习率
机器学习词汇
- 节点
- predicting a category：预测类别
- predicting a quantity：预测数值
- labeled data：是否数据打过标签
- 回归
- SGD Regressor：随机梯度下降回归
- Lasso/ElasticNet Lasso：弹性网络 回归
- SVR (kernel='linear')：支持向量机回归使用线性函数作为核函数
- SVR (kernel='rbf')：支持向量机回归使用径向基函数
- RidgeRegressor：岭回归
- 分类
- Linear SVC：线性支持向量机分类
- Navie Bayes：朴素贝叶斯
- KNeighbors Classifier：K近邻分类器
- SVC：支持向量机分类器
- SGD Classifier：随机梯度下降分类器
- kernel approximation：核近似方法
- 聚类
- MiniBatch KMeans：最小族(束)KMeans
- KMeans：传统KMeans
- Spectral Clustering：谱聚类
- GMM：混合高斯模型
- VBGMM：VB混合高斯模型
