原创 算法--分類算法
文章純屬個人愚見，歡迎指正！ 分類：分類就是通過一些學習（監督學習），弄錯一個分類器或者說分類模型，當你把一個參數（數據）放入時，可以告訴你你這參數（數據）應該放到哪個類，類似於貓狗分類。 一：樸素貝葉斯(Naive Bayes, NB)
2020-06-20 01:40:05
原创 算法之路--線性迴歸（五）
一:線性迴歸模型的優點： 1.建模速度快，不需要很複雜的計算，在數據量大的情況下依然運行速度很快。 2.可以根據係數給出每個變量的理解和解釋。 3.對異常值很敏感。 二:缺點 1.只能用於擬合線性數據 三:線性迴歸的用處 線性迴歸有很多
2020-06-08 05:38:21
原创 算法之路--隨機森林
一：什麼是隨機森林 隨機森林顧名思義，是用隨機的方式建立一個森林，森林裏面由很多的決策樹組成，隨機森林的每一棵決策樹之間是沒有關聯的。在得到森林之後，當有一個新的輸入樣本進入的時候，就讓森林中的每一棵決策樹分別進行一下判斷，看看這個樣
2020-02-20 12:58:52
2
原创 機器學習中一些常用方法的說明
持續更新。。。歡迎批評 很多方法講的都是原理，雖然講的很對，但是看不懂，也不說這個東西是幹嘛用的，就知道使用而使用，知道是用來幹嘛的，纔想去看原理 1.歸一化 防止數據傾斜，導致所佔比重過大。將原始數據線性化的方法轉換到[0 1]
2019-10-26 18:28:50
原创 sklearn與其他算法集合使用步驟
原文鏈接：https://www.cnblogs.com/lianyingteng/p/7811126.html 傳統的機器學習任務從開始到建模的一般流程是：獲取數據 -> 數據預處理 -> 訓
2019-10-25 18:48:05
原创 邏輯迴歸Logistics--簡述
一、邏輯迴歸的作用 logistic迴歸又稱logistic迴歸分析，是一種廣義的線性迴歸分析模型，常用於數據挖掘，疾病自動診斷，經濟預測等領域。例如，探討引發疾病的危險因素，並根據危險因素預測疾病發生的概率等。以胃癌病情分析爲例，選擇兩
2019-10-24 12:51:55
5
原创 json.decoder.jsondecodeerror unexpected utf-8 bom (decode using utf-8-sig) line 1 column 1 (char 0)
r = requests.post(page_url,headers=headers,data=data_info) import codecs 解決方案1-使用編解碼器模塊 decoded_data=codecs.decode(
2019-09-26 17:34:09
19
原创 算法的作用--分類算法
文章純屬個人愚見，歡迎指正！ 分類：分類就是通過一些學習（監督學習），弄錯一個分類器或者說分類模型，當你把一個參數（數據）放入時，可以告訴你你這參數（數據）應該放到哪個類，類似於貓狗分類。 一：樸素貝葉斯(Naive Bayes, NB)
2019-08-25 12:51:10
原创 算法的作用 --優化算法
注：單純個人愚見，只是大概講個作用，歡迎指正！詳細的網上許多大牛都有解釋。 優化算法種類： 一：最小二乘法 函數真值與估計值之間殘差最小。是一種數學優化技術。利用最小二乘法可以簡便地求得未知的數據，並使得這些求得的數據與實際數
2019-08-25 12:51:10
原创 算法之路--樸素葉貝斯（七）
轉載 ：https://www.cnblogs.com/leoo2sk/archive/2010/09/17/naive-bayesian-classifier.html#!comments 樸素貝葉斯分類有一個限制條件，就是特徵屬性必須
2019-06-20 12:51:06
2
原创 算法之路--決策樹
這裏對決策樹講的很清楚。包括實現決策樹的python代碼：https://blog.csdn.net/qq_39384184/article/details/79940305
2019-06-19 19:01:44
原创 算法之路--梯度下降（四）
轉載自鏈接：https://www.jianshu.com/p/c7e642877b0e 加上自己的一部分理解以及修改一些錯誤，歡迎大家批評 梯度下降的場景假設 梯度 梯度下降算法的數學解釋 梯度下降算法的實例 梯度下降算法的實現 F
2019-06-14 02:41:17
原创 算法之路--極大似然（二）
最大似然估計提供了一種給定觀察數據來評估模型參數的方法，即：“模型已定，參數未知”。簡單而言，假設我們要統計全國人口的身高，首先假設這個身高服從服從正態分佈，但是該分佈的均值與方差未知。我們沒有人力與物力去統計全國每個人的身高，但是可以通
2019-06-12 02:58:25