标签:bar 机器 predict 学习 test 期末 np return data
目录机器学习四大题
线性判别分析
思路
- 分类求样本均值\(\phi_1,\phi_2, \bar X_1, \bar X_2\)
- 求各类样本散列矩阵\(S_1, S_2\)
- 相加->类内散度矩阵\(w = S_w^-1(\bar X_1-\bar X_2)\)
感知机
\[f(X)=sgn(W^TX) \]\[W = (b, w_1, w_2)^T \]\[X = (\alpha, x_1, x_2)^T \]\[w_i = w_i + \alpha*y_i*x_i \]\[b = b + \alpha*y_i \]决策树
- 经验熵\(H(D)=-(p_1\log2p_1 + p_2\log2p_2), p_1, p_2\) 为两种不同的选择的可能
- 求信息各条件信息增益
- 找出信息增益最大项,以该条件将训练集分为两份继续以上操作
朴素贝叶斯
编程题
-
聚类计算度量
return np.linalg.norm(x - y, p)
-
聚类欧式距离
#样本距离 return (np.sum(np.subtract(x, y) ** p)) ** (1 / p) #计算质心 return [np.mean(col) for col in np.transpose(data)] #计算样本质心距离,小->大排序 return sorted([distance(row, Cmass) for row in data])
-
神经网络Relu函数
if x <= 0: return 0 else return x
-
聚类Kmeans函数
km = KMeans(n_clusters = 3, random_state = 888) result = km.fit_predict(data)
-
DBSCAN
dbscan = DBSCAN(eps = 0.5, min_samples = 10) result = dbscan.fit_predict(data) return result
-
线性回归方程组
#mse_score mse = np.mean((y_predict - y_test) * (y_predict - y_test)) #class LinearRegression #fir_normal x = np.hstack([np.ones(len(train_data), 1)), train_data]) self.theta = np.lianlg.inv(x.T.dot(x)).dot(x.T).dot(tranin_label) #predict x = np.hstack([np.ones((len(test_data), 1)), test_data]) return x.dot(self.theta)
标签:bar,机器,predict,学习,test,期末,np,return,data 来源: https://www.cnblogs.com/bleso/p/15733769.html
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。