- 博客(22)
- 收藏
- 关注
RSS订阅原创 机器学习:sklearn中的线性回归
线性模型一：线性模型的概念：在回归分析当中，线性模型的一般预测公式如下：式中：x[0],x[1],…,x[p]为数据集中特征变量的数量(这个公式表示数据集中的数据点一共有p个特征)；w和b为模型的参数；y为模型对于数据结果的预测值。对于只有一个特征变量的数据集，公式可以简化为：y=w[0]乘以x[0]+b线性回归的基本原理找到当训练数据集之中y的预测值和其真实值的平方差...
2019-04-12 23:25:00
714
1
原创 机器学习:sklearn中K最近邻算法
K最近邻算法使用的直接是sklearn中的KNN。K最近邻算法属于监督学习的一种。它既可以应用于分类，也可以应用于回归。一：K最近邻算法原理KNN用于分类KNN用于回归其思想是如果一个样本在特征空间中的k个最相邻的样本中的大多数属于某一个类别，则该样本也属于这个类别，并具有这个类别上样本的特性。在scikit-learn中，K最近邻算法的K值是通过n_neighbor...
2019-04-12 19:04:18
1175
原创 计算机数值分析:线性方程组直接法：高斯消去法(Python实现
计算机数值分析：线性方程组的直接解法：高斯消去法书本上的流程图如下：这里也是使用的文件录入数据文件如下：代码如下：#coding=gbk;import numpy as np;def GaussEliminate(datas,x): rows=datas.shape[0]; #这个行数其实同时也是变量的个数 cols=datas.shape[1]; ...
2019-04-11 20:55:38
1668
原创 计算机数值分析：线性方程组迭代公式:高斯-赛德尔（Python实现
计算机数值分析：线性方程组迭代公式：高斯赛德尔迭代公式课本上高斯赛德尔流程图如下：这里直接就是使用了之前的雅可比迭代的文件：文件为：具体代码如下：#coding=gbkimport numpy as np;def GaoSiSaider(n,minner,datas,x): count=1; numVarity=datas.shape[0]; cols=...
2019-04-11 18:52:25
1466
原创 计算机数值分析：线性方程组的迭代法：雅可比迭代公式(Python实现
计算机数值分析线性方程组的迭代法：雅可比迭代公式：书上的流程图如下：这里直接把输入输出弄到了文件之中具体代码如下：里面使用了python的numpy库#coding=gbkimport numpy as np;def Jacobi(n,minner,datas,x): count=1; numVarity=datas.shape[0]; cols=da...
2019-04-11 18:45:34
2962
原创 计算机组成原理：牛顿迭代法（求根的估计）(python实现
今天无意间发现了nympy这个库于是就想着能够使用它来实现以下牛顿迭代法：但是发现利用nympy如果写到函数里边,总是出现cannot unpack non-iterable Float object的错误调试无果后 一气之下 直接都不要函数了 直接写（生气.jpg牛顿迭代法流程图如下：代码如下：在这里插入代码片...
2019-04-03 21:30:05
3723
原创 算法设计与分析:分治法解决归并排序
分治法解决归并排序问题：思想：代码如下：#include "stdafx.h"#include<iostream>#include<iomanip>using namespace std;//这个函数是用来最后将两个子问题再来归并排序的void merge(int r[], int r1[], int head, int mid, int tail){ ...
2019-04-02 20:39:44
1908
原创 算法设计与分析:分治法输出数字旋转方阵
分治法输出数字旋转方阵数字旋转方阵如下图所示：从下图可以看出，从左上角开始，逆时针放置每次增加1的数字，直到“旋转”到最里层终止。分治：将这个矩阵填数之时一层一层地填进去，也就是说子问题就是每次填写一层。代码如下：#include "stdafx.h"#include<iostream>#include <iomanip>using namespace ...
2019-04-02 20:32:01
3740
1
原创 计算机数值分析:牛顿插值(python实现
计算机数值分析：牛顿插值法这里使用的是牛顿插值法的差商公式；说明： 牛顿插值法可以说是埃特金插值法的升级版，所以在很大的程度上，牛顿插值法与埃特金插值法有类似的地方，但是也有不相同的地方。而这个不相同的地方正是我们编程的时候应该要注意的。埃特金插值法代码实现：参考 埃特金Python实现首先来说明一下牛顿差商公式的定义：这里公式的说明参考：牛顿差商公式说明牛顿差商公式—...
2019-04-02 20:13:54
3813
2
原创 算法设计与分析:蛮力法求解0/1背包问题
由于最近在复习算法设计与分析，所以就想试着完成一下书上的代码。描述：背包问题:给定重量分别为,价值分别为的n件物品，和一个承重为W的背包。求这些物品中一个最有价值的子集，并能装到背包中。背包问题的蛮力解法是穷举这些物品的所有子集，找出能够装到背包中的所有子集，并在这些子集中找出价值最大的子集实验数据：背包容量为10给定4个物品，重量为{7，3，4，5}对应的价值为：{42，12，4...
2019-04-01 21:42:58
7325
原创 计算机数值分析（常微分方程的差分方法）：改进的欧拉公式（python实现
改进的欧拉公式流程图以及方程式如下（以下代码是按照方程式写就）由于使用改进的欧拉公式需要已知函数表达式的具体形式，故而这里用了书上的具体的习题习题如下：代码如下：# coding=gbk;#改进的欧拉方法需要函数的具体表达式 #这里就暂且用书上的题目所给公式了def compute_fx(x,y): return y-2*x/y;#进行数据初始化#需要输入初值...
2019-03-27 17:20:47
5351
3
原创 计算机数值分析：复化辛普生公式（python实现
这里并不能够说完全实现了复化辛普生公式，因为这里面涉及到具体的函数，而我们需要事先知道函数表达式，才能够求出来。故而这里是以书上的一道例题来写例题以及书上结果如下：这里我也并没有按照流程图来写（不过大同小异），而是按照表达式来写流程图和表达式如下代码如下：# coding=gbk;#因为使用复化辛普生公式会涉及到函数的具体形式# 所以这里我就暂且令 f(x)=sin(x)/x...
2019-03-26 12:41:41
2760
原创 计算机数值分析：埃特金插值法(python实现
埃特金插值法这里要说明，我没有按照书中所给流程图来写。不过为了完整，还是将流程图贴上来实际上，我是按照下面这个表，相当于是递推获得代码如下#0.3 0.29850 0.4 0.39646 0.5 0.49311 0.6 0.58813 0.7 0.68122 #预测 0.462def Data_in(list1,list2): list0=input("请输入离散点的值...
2019-03-26 11:39:21
2748
原创 计算机数值分析：曲线拟合最小二乘法(python实现
曲线拟合最小二乘法其中使用了机器学习之中得正规化方程直接计算得到theta# coding=gbk;# 要输入的数据data=165 187 123 126 150 172 123 125 141 148import numpy as np;import matplotlib.pyplot as plt;def Data_in(list0,list1,list2): list0...
2019-03-26 11:31:07
1855
原创 计算机数值分析：拉格朗日插值公式（python实现
拉格朗日插值公式流程图如下：python代码实现如下：# coding=gbk;def Data_in(list0,list1,list2): list0=input("请输入离散点的值：").split(" "); for i in range(0,len(list0)): if i%2==0: #如果是奇数 那么指的也就是x ...
2019-03-26 11:19:02
1314
原创 python机器学习：numpy基本操作
学习numpy时候的代码（内含注释）：#coding=gbkimport numpy as np;#想要将列表转换成numpy可以识别的数组array1=np.array([[1,2,3],\ [2,3,4]]);print(array1);print(&quot;number of dim:&quot; ,array1.ndim);#几维print(&quot;shape:&quo
2019-03-12 20:41:40
184
原创 机器学习day01:机器学习之中的一些概念
有监督学习：有监督学习是通过现有的训练数据集进行建模，再用该模型对新的数据样本进行分类或者回归分析的机器学习方法。在监督式学习中，训练数据集一般包含样本特征变量以及分类标签。就人为地对训练集贴了标签：如这是好人，那是坏人。这时机器使用不同的算法通过这些数据推断出分类的方法，并且用于新的样本中。无监督学习：无监督学习则是在没有数据集的情况下，对没有标签的数据进行分析并建立合适的模型...
2019-03-10 17:40:40
170
原创 HTML中position:relative和absolute的定位
前言**这篇文章主要是以言简意赅的方式来辨析relative定位和absolute定位。1. 首先一定要明确：html“本身”其默认的定位方式是什么？其默认方式（也就是在css中对相应的盒子的position不做任何操作）是static;其位置的安排方式简单的来说就是从上到下，且靠左；标准解释如下：自上而下分成一行行，并在每行中按从左至右的顺序排放元素。代码以及效果图如下所示...
2018-11-23 00:06:40
1021
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人