-
一、梯度下降法 (梯度即导数)
寻找极小值的一种方法。通过向函数上当前点对应梯度(导数)的反方向的规定步长距离点进行迭代搜索,直到在极小点收敛。
核心:从一个点出发,沿着导数的反方向逐步逼近极值点。
查看全部 -
一、微积分
微分,导数,求解最小化损失函数
二、极限与导数
极限:永远靠近的某个数值A
lim 求极限
导数
线性:导数即是斜率
非线性:导数是切线的斜率
导数为0处,是极值点
查看全部 -
一、Python实现矩阵运算
Matplotlib: Python基础绘图库
Pandas: 结构化数据分析(数据分析)
Numpy: 科学计算基础软件包(数值计算)
核心:基于N维数组对象ndarray
A = np.array([[1, 2, 3], [4, 5,6], [7, 8, 9]]); B = A
print(A.shape)
G = np.dot(A, B) # G = A * B
查看全部 -
一、机器学习中的矩阵运算
函数关系:y = f(x1, x2, x3, ...)
y = Ax + B, 求A,B
x为矩阵,系数θ为列向量
y = [x][θ] + b
查看全部 -
一、向量
行向量:只有一行的矩阵
列向量:只有一列的矩阵,行向量的转置
二、向量的基本运算
遵循矩阵基本运算规则
矩阵与向量相乘,结果仍为向量
查看全部 -
一、矩阵的基本运算
同型矩阵:行数、列数分别相同的矩阵(一组矩阵)
必须是同行矩阵才能进行加减运算
加法:矩阵元素分别相加,满足交换律、结合律
减法:矩阵元素分别相减
负矩阵:矩阵元素互为相反数关系的矩阵(矩阵前面有 - 负号)
矩阵的数乘:数与矩阵分别相乘,如 3 * T
数乘满足交换律、结合律、分配律
AB = BA; ABC = A(BC); A(B + C) = AB + AC
矩阵与矩阵相乘:行列元素依次相乘,并求和
前提:第一个矩阵的列数等于第二个矩阵的行数
不满足交换律,满足结合律、分配律
查看全部 -
Python3 入门人工智能,掌握机器学习+深度学习
课程地址:https://coding.imooc.com/class/418.html
Python 实现机器学习
课程地址:https://www.imooc.com/learn/1174
查看全部 -
常用积分函数
查看全部 -
常用积分公式
查看全部 -
导数特点
查看全部 -
基础
查看全部 -
'
查看全部 -
深店学习
查看全部 -
任务部分 是怎么打上去的
查看全部 -
实战问题:
代码(已验证):
# 导入pandas库, numpy库
import pandas as pd
import numpy as np
# 将数据预先储存为一个csv文件,然后加载到开发环境中来
# 读取数据
data = pd.read_csv("chapter3_data.csv")
# 查看数据
data.head()
# X赋值
# 将y的一列单独去掉,axis=0为行,axis=1为列
X = data.drop(["y"], axis=1)
print(X)
#y赋值
y = data.loc[:,"y"]
print(y)
#建立模型
# 从sklearn包的naive_bayes之中导入CategoricalNB
from sklearn.naive_bayes import CategoricalNB
# 建立模型实例
model = CategoricalNB()
# 训练模型
model.fit(X, y)
# 预测 测试集数据
# 预测y=1or=0的概率
y_predict_proba = model.predict_proba(X)
# 输出y的预测值
y_predict = model.predict(X)
#计算模型准确率
from sklearn.metrics import accuracy_score
accuracy = accuracy_score(y, y_predict)
print(accuracy)
# 任务二:
# 测试样品X_test的预测
# 先将其转化成为数组形式
X_test = np.array([[0,0,0,1,1,0]])
print(X_test)
# 预测样品的购买或不购买的概率
y_predict_proba = model.predict_proba(X_test)
print(y_predict_proba)
# 输出样品的预测值
y_test = model.predict(X_test)
print(y_test)
查看全部
举报