随笔分类 - 机器学习
摘要：OpenCv 基础函数 # 读取图片 image = cv2.imread("test01.jpg") # 转灰度 gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) # 修改尺寸 resize_image = cv2.resize(image,
阅读全文
摘要：算法与库 1. 决策树： - 库： from sklearn.tree import DecisionTreeClassifier（分类树） from sklearn.tree import DecisionTreeRegressor（回归树） - 计算场景：分类和回归问题 2. 逻辑回归： - 库
阅读全文
摘要：表设计 # 用户表 class UserInfo(models.Model): username = models.CharField(max_length=32,unique=True,verbose_name="用户名") password = models.CharField(max_leng
阅读全文
摘要：1：原理理解 图中有分别属于两类的一些二维数据点和三条直线。如果三条直线分别代表三个分类器的话，请问哪一个分类器比较好？ 我们凭直观感受应该觉得答案是H3。首先H1不能把类别分开，这个分类器肯定是不行的；H2可以，但分割线与最近的数据点只有很小的间隔，如果测试数据有一些噪声的话可能就会被H2错误分类
阅读全文
摘要：1：原理理解 举个形象的例子，若我们走在街上看到一个黑皮肤的外国友人，让你来猜这位外国友人来自哪里。十有八九你会猜是从非洲来的，因为黑皮肤人种中非洲人的占比最多，虽然黑皮肤的外国人也有可能是美洲人或者是亚洲人。但是在没有其它可用信息帮助我们判断的情况下，我们会选择可能出现的概率最高的类别，这就是朴素
阅读全文
摘要：1：决策树原理理解 决策树（decision tree）是一个树结构（可以是二叉树或非二叉树）。 其每个非叶节点表示一个特征属性上的测试，每个分支代表这个特征属性在某个值域上的输出，而每个叶节点存放一个类别。 使用决策树进行决策的过程就是从根节点开始，测试待分类项中相应的特征属性，并按照其值选择输出
阅读全文
摘要：import numpy as np import pandas as pd import matplotlib.pyplot as plt %matplotlib inline from sklearn.linear_model import LinearRegression data = pd.
阅读全文
摘要：from sklearn import datasets # 数据集 from sklearn.model_selection import train_test_split from sklearn import linear_model import matplotlib.pyplot as p
阅读全文
摘要：import numpy as np import pandas as pd from sklearn.neighbors import KNeighborsClassifier # 导入knn学习包 salary = pd.read_csv("./adults.txt") salary.head(
阅读全文
摘要：建议使用jupyter打印一步一步进行理解 上代码： import numpy as np import pandas as pd # 这里直接引入sklearn里的数据集，iris鸢尾花 from sklearn.datasets import load_iris from sklearn.mod
阅读全文
