目录 KMeans聚类算法 实战——KMeans聚类分析 PCA降维原理 实战_PCA对红酒数据降维并可视化 实战_KPCA核主成分分析 实战_t-SNE数据降维 KMeans聚类算法 KMeans算法介绍 K-Means是聚类算法中最常用的一种,是一种迭代求解的聚类分析算法; 聚类是一种 无监督学习,事先并不知道分类标签是什么
目录 全量梯度下降 随机梯度下降 小批量梯度下降 三种梯度下降区别和优缺点 全量梯度下降 Batch Gradient Descent 在梯度下降中,对于θ的更新,所有的样本都有贡献,也就是参与调整θ。其计算得到 的是一个标准梯度。因而理论上来说一次更新的幅度是比较大的。如果样本不多的情况下, 当然是这样收敛的速度会更快啦。全量梯度下降每次学习都使用整个训
目录 决策树基础 决策树的ID3和C4.5生成算法 基尼指数与CART决策树 基尼指数(Gini index) 各类算法总结 实战——CART分类树的sklearn实现 实战——决策树解决回归问题 决策树基础 什么是决策树 决策树学习的算法通常是一个递归地选择最优特征(选择方法的 不同,对应着不同的算 法),并根据该特征对训练数据进行分割,使
目录 集成学习 Bagging与随机森林 Bagging介绍 随机森林 实战——随机森林实现分类 Adaboost Adaboost的原理 实战——Adaboost + 决策树 Gradient Boosting 实战——GBDT及其代码实现 XGBoost 实战——XGBoost的sklearn实现 集成学习 什么是集成学习
目录 朴素贝叶斯算法编辑 朴素贝叶斯的三种方式 实战——对新闻文本进行文本分类 朴素贝叶斯算法 贝叶斯定理 贝叶斯定理(Bayes Theorem)也称贝叶斯公式,是关于随机 事件的条件概率的定理 定理内容: 如果随机事件A1 ,A2 ,...,An构成样本空间的一个划分(不重、不 漏),且都有正概率,则 对任何一个事件B(P(B)>0),有
目录 认识SVM——支持向量机 SVM的"硬间隔"与"软间隔" 实战——SVM解决房价预测回归问题 认识SVM——支持向量机 什么是支持向量机 支持向量机(SVM),Supported Vector Machine,基于线性划 分,输出一个最优化的 分隔超平面,该超平面不但能将两类正确分开,且使分类间隔 (margin)最大 所有训练
目录 认识SVM——支持向量机 SVM的"硬间隔"与"软间隔" 实战——SVM对鸢尾花分类 认识SVM——支持向量机 什么是支持向量机 支持向量机(SVM),Supported Vector Machine,基于线性划 分,输出一个最优化的 分隔超平面,该超平面不但能将两类正确分开,且使分类间隔 (margin)最大 所有训练数据点距离最
Python实现聚类分析和数据降维 目录 KMeans聚类算法 实战——KMeans聚类分析 PCA降维原理 实战_PCA对红酒数据降维并可视化 实战_KPCA核主成分分析 实战_t-SNE数据降维 KMeans聚类算法 KMeans算法介绍 K-Means是聚类算法中最常用的一种,是一种迭代求解的聚类分析算法; 聚类是一种 无监督学习,事先并不知道分类标签是什么,
决策树原理以及在sklearn中的使用 目录 决策树基础 决策树的ID3和C4.5生成算法 基尼指数与CART决策树 基尼指数(Gini index) 各类算法总结 实战——CART分类树的sklearn实现 实战——决策树解决回归问题 决策树基础 什么是决策树 决策树学习的算法通常是一个递归地选择最优特征(选择方法的 不同,对应着不同的算 法),并根据该特征对训练数据进
基于朴素贝叶斯算法对新闻文本进行分类 目录 朴素贝叶斯算法编辑 朴素贝叶斯的三种方式 实战——对新闻文本进行文本分类 朴素贝叶斯算法 贝叶斯定理 贝叶斯定理(Bayes Theorem)也称贝叶斯公式,是关于随机 事件的条件概率的定理 定理内容: 如果随机事件A1 ,A2 ,…,An构成样本空间的一个划分(不重、不 漏),且都有正概率,则 对任何一个事件B(P(B)>0),有
基于SVM-支持向量机解决波士顿房价预测回归问题 目录 认识SVM——支持向量机 SVM的”硬间隔”与”软间隔” 实战——SVM解决房价预测回归问题 认识SVM——支持向量机 什么是支持向量机 支持向量机(SVM),Supported Vector Machine,基于线性划 分,输出一个最优化的 分隔超平面,该超平面不但能将两类正确分开,且使分类间隔 (margin)最大
目录 集成学习 Bagging与随机森林 Bagging介绍 随机森林 实战——随机森林实现分类 Adaboost Adaboost的原理 实战——Adaboost + 决策树 Gradient Boosting 实战——GBDT及其代码实现 XGBoost 实战——XGBoost的sklearn实现 集成学习 什么是集成学习 集成学习(en
目录 认识SVM——支持向量机 SVM的"硬间隔"与"软间隔" 实战——SVM对鸢尾花分类 认识SVM——支持向量机 什么是支持向量机 支持向量机(SVM),Supported Vector Machine,基于线性划 分,输出一个最优化的 分隔超平面,该超平面不但能将两类正确分开,且使分类间隔 (margin)最大 所有训练数据点距离最优分类超平面的距
目录 线性回归基础 实战——波士顿房价的线性回归模型 实战——能源效能数据的相关分析与 线性回归模型 梯度下降法介绍 实战——梯度下降法在线性回归中的使用 实战——scikit-learn使用SGD实现线性回归 线性回归基础 什么是线性回归 举个例子,我们去市场买牛肉,一斤牛肉52块钱,两斤牛肉 104块钱,三斤牛肉156块钱,以此类推。也是说
个人主页:@艾派森的个人主页 作者简介:Python学习者希望大家多多支持,我们一起进步!如果文章对你有帮助的话,欢迎评论 点赞 收藏 加关注+ 目录 一、项目介绍 1.1项目简介 1.2技术工具 1.3页面概述 二、项目步骤 2.1登录模块 2.2注册模块 2.3训练模型模块 2.3.1导入数据 2.3.2查看数据 2.3.3数据预处理 2.3.
KMeans+DBSCAN密度聚类+层次聚类的使用(附案例实战) 目录 1.KMeans聚类算法 2.DBSCAN密度聚类算法 3.层次聚类 4.实战案例 4.1数据集介绍 4.2加载数据 4.3数据预处理 4.4Kmeans聚类 4.5DBSCAN密度聚类 4.6层次聚类 4.7总结 源代码 1.KMeans聚类算法 kmeans聚类可以说是聚类算法中最为常见的,它
个人主页:@艾派森的个人主页 作者简介:Python学习者 希望大家多多支持,我们一起进步! 如果文章对你有帮助的话, 欢迎评论,点赞,收藏,加关注+ 一、交叉验证简介 交叉验证是在机器学习建立模型和验证模型参数时常用的办法。交叉验证,顾名思义,就是重复的使用数据,把得到的样本数据进行切分,组合为不同的训练集和测试集,用训练集来训练模型,用测试集来评估
KMeans聚类 什么是聚类任务 1 无监督机器学习的一种 2 目标将已有数据根据相似度划分到不同的簇 3 簇内样本彼此之间越相似,不同簇的样本之间越不相似,就越好 为什么叫KMeans聚类 1 也可以叫K均值聚类 2 K是最终簇数量,它是超参数,需要预先设定 3 在算法计算中会涉及到求均值 KMeans流程 1 随机选择K个簇中心
因子分析 因子分析(Factor Analysis)是一种数据简化的技术。它通过研究众多变量之间的内部依赖关系探求观测数据中的基本结构,并用少数几个假想变量来表示其基本的数据结构。这几个假想变量能够反映原来众多变量的主要信息。原始的变量是可观测的显在变量,而假想变量是不可观测的潜在变量,称为因子。 例如,在企业形象或品牌形象的研究中,消费者可以通过一个由24个指
基于tensorflow深度学习的猫狗分类识别 目录 实验背景 实验目的 实验环境 实验过程 1.加载数据 2.数据预处理 3.构建模型 4.训练模型 5.模型评估 源代码 实验背景 近年来,深度学习在计算机视觉领域取得了巨大的成功,尤其是在图像分类任务上。图像分类是计算机视觉领域的基本问题之一,而猫狗分类作为图像分类中的经典问题,吸引了广泛的研究兴趣。猫狗分类问题具有很
目录 朴素贝叶斯算法编辑 朴素贝叶斯的三种方式 实战——肿瘤类别的分类 朴素贝叶斯算法 贝叶斯定理 贝叶斯定理(Bayes Theorem)也称贝叶斯公式,是关于随机 事件的条件概率的定理 定理内容: 如果随机事件A1 ,A2 ,…,An构成样本空间的一个划分(不重、不 漏),且都有正概率,则 对任何一个事件B(P(B)>0),有 提示
python实现基于长短期记忆网络LSTM模型预测茅台股票价格趋势 目录 前言 长短期记忆网络 实战案例 1.实验环境 2.读取数据 3.准备训练数据 4.训练模型 5.模型预测 6.预测结果可视化 文末福利 前言 随着金融数据的不断增长和复杂化,传统的统计方法和机器学习技术面临着挑战。深度学习算法通过多层神经网络的构建,以及大规模数据的训练和优化,可以从数据中提取更加丰
积分
粉丝
勋章
TA还没有专栏噢
第三方账号登入
看不清?点击更换
第三方账号登入
QQ 微博 微信