标签：plt 人工智能 print np tf ------ Tensorflow data mytrain
什么时候需要、能够进行数据的转换
训练前转换
->适合静态模型：即模型不会随着用户数据的变化而变化
优势：
数据的转换并不会影响模型的使用
当数据转换的算法发生更改时，不会影响模型的重新训练
缺点：
不能解决模型随用户数据变化的需求
当数据转换的算法发生更改时，需要重新将所有数据进行重新转换
训练时转换
->适合动态模型：即模型会随着用户数据的变化而变化
优势：
可以解决模型随用户数据变化的需求
当数据转换的算法发生更改时，不需要重新对所有数据进行转换
缺点：
数据的转换耗时时，模型的使用会受影响
离线模型------>静态模型--------->离线训练
在线模型------>动态模型--------->在线训练
TensorFLow
google提供的一个开源的人工智能/深度学习SDK
TensorFLow------------------>训练
TensorFlow Lite------------->测试
2.tensorflow的安装：
pip install tensorflow==1.8.0 -i https://mirrors.aliyun.com/pypi/simple/
tensorflow的使用：
tensorflow使用的数据全是，张量。(矢量)
例子：
import tensorflow as tf
hello = tf.constant("Hello, TensorFlow")
print(hello)
sess = tf.Session()
print(sess.run(hello))
如果想通过tensorflow构造一个张量，必须通过tf.constant()方法，
而且使用张量的过程，必须实在tensorflow会话中完成的，
如果想要使用sess.run(遍历名)
使用tensorflow实现两个整数的加法：
import tensorflow as tf
#tf.constant():根据一个常量来构造一个Tensor(张量)
a = tf.constant([3,4,5,6,7])
b = tf.constant(4)
c = tf.add(a,b)
print(c)
'''
with tf.Session() as sess:
print(sess.run(a+b))
print(sess.run(a-b))
'''
print(a)
sess = tf.Session()
print(sess.run(c))
mytest = tf.summary.FileWriter("log",sess.graph)
sess.close()
tensorflow会话中加入下面的语句：
summary_write = tf.summary.FileWriter("log", sess.graph)
查看tensorflow执行过程：
tensorboard --logdir="log"
执行后，会返回一个url，将url拷贝到浏览器中，就可以查看
常见的机器学习算法
1.KNN
K近邻算法：这是一个分类算法(最常用作二分类)
算法思想：寻找距离测试点最近的K(奇数)个数据，然后对这K个数据进行类别统计，个数最多的类别即为测试点的类别。
理解为：近朱者赤近墨者黑
如何区分黑心菊和向日葵的区别
黑心菊 向日葵
植株高度 80-100cm 100-350cm
花径 10-15cm 10-30cm
hxj = [
[88, 13],
[90, 12],
[82, 15],
[93, 10],
[95, 11],
[99, 13],
[83, 10]
]
xrk = [
[102, 13],
[190, 18],
[120, 15],
[140, 20],
[180, 18],
[320, 27],
[210, 22]
]
如何求距离：
即求该点到训练集所有点的距离
在平面坐标系中，如何求两点之间的距离：
a: x1,y1
b: x2,y2
a和b之间的距离：
sqrt((x1-x2)**2 + (y1-y2)**2)
for x in train_data:
sqrt((x[0]-t[0])**2 + (x[1]-t[1])**2)
对所有距离排序：
获得前奇数个(K)距离最近的点的下标
得到距离最近的K个点的类别
对类别进行统计，得到个数最多的类别
KNN的流程：
1.获得转换后的训练集和测试集
2.计算测试集到训练集所有数据的距离
3.找出前奇数个距离最近的点
4.统计前奇数个点的标签和对应的个数
5.返回个数最多的标签
import numpy as np
import matplotlib.pyplot as plt
'''
使用Counter是用来统计的
'''
from collections import Counter
#创建训练集，训练集一共14元素，前7个为黑心菊的数据，后7个为向日葵的数据
#每一个数据(植株高度(cm),花径(cm))
Train_data = [
[88, 13],
[90, 12],
[82, 15],
[93, 10],
[95, 11],
[99, 13],
[83, 10],
[102, 13],
[190, 18],
[120, 15],
[140, 20],
[180, 18],
[320, 27],
[210, 22]
]
#训练集的标签（0代表黑心菊，1代表向日葵）
train_label = [0,0,0,0,0,0,0,1,1,1,1,1,1,1]
#为了在matplotlib上显示数据特点，需要将其转换为np.ndarray
mytrain_data = np.array(Train_data)
mylb = np.array(train_label)
#print(mytrain_data[mylb==0,0])
#绘制数据特征图
plt.title("myknn")
#使用散点图显示黑心菊的数据
#arr_name[arr1_name==xx,0]:获取arr_name数组中，下标同mylb数组中元素内容为0的元素的0号元素
plt.scatter(mytrain_data[mylb==0,0],mytrain_data[mylb==0,1],label="hxj")
#使用散点图显示向日葵的数据
plt.scatter(mytrain_data[mylb==1,0],mytrain_data[mylb==1,1],label="xrk")
#显示测试点(测试集)
x_test = [120,17]
plt.scatter(x_test[0],x_test[1],label="test-point")
plt.legend()
mydist = []
#计算测试点到所有点的欧式距离
for x in mytrain_data:
mydist.append(np.sqrt(np.sum((x-x_test)**2)))
#将算出来的距离转为np.ndarray
mydit = np.array(mydist)
#使用下标排序的方法，获取最近距离的K个元素的下标
myret = np.argsort(mydit)
print(mydit)
print(myret)
K = 5
#获取最近的K个元素的标签
myTop = mylb[myret[:K]]
print(myTop)
#统计myTop中的数据
ret = Counter(myTop)
#获取统计结果
print(ret.most_common(),type(ret.most_common()))
#输出测试点的分类
print(x_test,"class is:",ret.most_common()[0][0],end=" ")
plt.show()
KNN的使用：常用于简单的二分类(数据中特征值的维度不能过高)
KNN的缺陷：
1.算法有不可解释型
2.容易产生维度灾难
3.容易产生计算灾难
KNN的特点：
没有训练过程，或者说，训练过程就是，记录训练集和标签的数据
2.线性回归
预测一个值的问题
即研究一个线性问题，即测试集和预测出的值呈现一定的线性关系，而我们要研究的就是如何推断出这个关系。
即通过离散的点之间的规律拟合出一条极为接近的线性关系。
一元线性回归的算法思想：
我们发现模型呈现斜截式的规律，即： y = K * x + B
我们的要求是求出最优的K和B
import numpy as np
import matplotlib.pyplot as plt
#y = 3x + 4
k = 3
b = 4
tr_x = np.random.uniform(0,40,100)
tr_y = tr_x * k + b
#print(tr_x)
#print(tr_y)
train_data = []
for i in range(tr_x.size):
train_data.append([np.random.normal(tr_x[i],2),np.random.normal(tr_y[i],2)])
#print(train_data)
mytrain_data = np.array(train_data).reshape(-1,2)
#求xmean ，ymean
xmean = np.mean(mytrain_data[:,0])
ymean = np.mean(mytrain_data[:,1])
print(xmean,ymean)
#求k
#求k的分子
fz = np.sum((mytrain_data[:,0] - xmean)*(mytrain_data[:,1] - ymean))
print(fz)
#求k的分母
fm = np.sum((mytrain_data[:,0] - xmean)**2)
print(fm)
k = fz / fm
print(k)
#求b
b = ymean - k * xmean
print(b)
xp = np.arange(0,40)
yp = k * xp + b
#print(mytrain_data)
plt.title("MY-Liner")
plt.scatter(mytrain_data[:,0],mytrain_data[:,1],label="train_point")
plt.plot(tr_x,tr_y,color="red",label="random-liner")
plt.plot(xp,yp,color="yellow",label="model-liner")
plt.legend()
plt.show()
标签：plt,人工智能,print,np,tf,------,Tensorflow,data,mytrain 来源： https://blog.csdn.net/qq_59476403/article/details/120354355
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。