- 博客(7)
- 资源 (4)
- 收藏
- 关注
RSS订阅原创 数据归一化(附简单实现和sklearn简单处理数据)
有些变量之间差距太大.量纲不同.影响太大.可能会占主导地位.为了取消这种问题.所以需要归一化归一化:将所有数据映射到同一尺度最值归一化:把所有的数据映射到0-1之间适用于有边界为题的,如果存在极端的极值.会影响归一化的结果x = np.random.randint(0,100,size=100)(x-x.min())/(x.max()-x.min())#多行归一化x = np.random.randint(0,100,(50,2))x = np.array(x, dtype = fl
2020-06-24 15:36:59
811
原创 sklearn应用(介绍学习过的算法中用到sklearn中的内容,方便以后查询(主要是在knn中应用,但是涉及很多有用的思想
knn算法实现和应用from sklearn import datasetsfrom sklearn.neighbors import KNeighborsClassifierimport numpy as npiris = datasets.load_iris()#加载数据集x = iris.datay = iris.target#对数据进行乱序shuffle_index = np.random.permutation(len(x))test_index = int(0.2 * le
2020-06-08 22:31:50
149
原创 sklearn超参数和网格搜索的简单介绍
超参数:在算法运行前需要决定的参数模型参数:算法训练过程中学习到的参数本文简单介绍超参数如何使用sklearn查找.只是为了介绍使用封装好的方法…(其实网格查找就是把所有的参数都遍历一遍,但是人家模型写的更好,所以仅介绍如果调用.)后期如果复习到了可能再补充细节...
2020-06-08 12:15:58
642
原创 简单knn算法实现和简单讲解和sklearn实现
knn算法简单实现简单介绍knn算法比较简单，就是将待检测的数据放入数据集中，找出与之最近的k个数据进行投票，投票结果即为待测数据的类别。k必须为奇数，否则投票结果可能会出现意外。简单代码示例import numpy as npfrom math import sqrtfrom collections import Counterx = [[3.1123122,2.32], [3.53,1.78], [1.24,3.36], [3.58,4.67],
2020-06-05 14:33:20
624
Gradient-Based Learning Applied to Document Recognition.pdf
2021-04-17
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人