摘要:
K-Means模型: 高斯混合模型: EM算法: 阅读全文
摘要:
决策树的生成: 节点特征和分割点的选择: 随机森林算法: AdaBoost: 阅读全文
摘要:
感知机 支持向量机:间隔最大化 逻辑回归 阅读全文
摘要:
有监督学习的一般流程: 过拟合问题:所选模型对已知数据预测得很好,但对未知数据预测很差。 模型选择的方法: ①正则化:把对已知数据的训练误差和模型复杂度降到最小。 ②交叉验证,数据比较少时,将数据集随机切分,组合为训练集和测试集。 Scikit-learn 阅读全文
摘要:
逻辑回归框架1 import numpy as np import tensorflow as tf import matplotlib.pyplot as plt import input_data mnist = input_data.read_data_sets('data/',one_hot 阅读全文
摘要:
Mnist数据集简介3 import numpy as np import tensorflow as tf import matplotlib.pyplot as plt import input_data print("packs loaded") print("Download and Ext 阅读全文
摘要:
Mnist数据集简介2 import numpy as np import tensorflow as tf import matplotlib.pyplot as plt import input_data print("packs loaded") print("Download and Ext 阅读全文
摘要:
Mnist数据集简介 import numpy as np import tensorflow as tf import matplotlib.pyplot as plt import input_data print("packs loaded") print("Download and Extr 阅读全文
摘要:
构造线性回归模型3 import numpy as np import tensorflow as tf import matplotlib.pyplot as plt #随机生成1000个点,围绕在y=0.1x+0.3的直线周围 num_points = 1000 vectors_set = [] 阅读全文