-
学习大纲总结
查看全部 -
一、实战 - 朴素贝叶斯的使用
调用sklearn 朴素贝叶斯模块CategoricalNB, 训练模型基于用户基本信息,预测其购买商品的概率。
import pandas as pd import numpy as np # 数据加载 data = pd.read_csv("data.csv") data.head() # X赋值 X = data.drop(['y'], axis = 1) # y 赋值 y = data.loc[:, 'y'] # 建立模型 # pip install sklearn from sklearn.native_bayes import CategoricalNB # 建立模型实例 model = CategoricalNB() # 模型训练 model.fit(X, y) y_predict_prob = model.predict_proba(X) # 输出预测y y_predict = model.predict(X) # 计算模型准确率 from sklearn.metrics import accuracy_score accuracy = accuracy_score(y, y_predict) # 测试样本的预测 X_test = np.array([0,0,0,1,1,0]) y_test_proba = model.predict_proba(X_test) y_test = model.predict(X_test)
查看全部 -
一、贝叶斯公式
在已知一些条件下(部分事件发生的概率),实现对目标事件发生概率更准确的预测
P(B|A) = P(B) * P(A|B) / P(A)
贝叶斯公式则是利用条件概率和全概率公式计算后验概率
二、朴素贝叶斯
以贝叶斯定理为基础,假设特征之间相互独立,先通过训练数据集,学习从输入到输出的概率分布,再基于学习到的模型及输入,求出使得后验概率最大的输出实现分类。
P(Y|X) = P(Y) * P(X|Y) / P(X)
查看全部 -
一、条件概率与全概率
条件概率:事件A已经发生的条件下事件B发生的概率 P(B|A)
P(B|A) = P(AB) / P(A) # P(AB) AB同时发生的概率
全概率:将复杂事件A的概率求解问题,转化为在不同情况下发生的简单事件的概率的求和问题
查看全部 -
一、概率基础知识
矩阵、微积分 ---> 回归;概率 ---> 分类
概率:可能性的度量 likehood
查看全部 -
一、Python 实现微分与积分
使用 sympy 包
import sympy as sp
x = sp.Symbol('x')
y = 3 * x ** 2 # ** 幂运算
# 求导(求微分)
f1 = sp.diff(y)
# 求积分
F1 = sp.integrate(f1, x)
# 求极限
x = 0 时
L1 = sp.limit(y1, x, 0)
查看全部 -
一、积分
逆运算:导数推出原函数 --> 积分
不定积分:函数f的不定积分,是一个可导函数F且其导数等于原来的函数f
定积分:对于一个给定的正实数函数f(x),在一个实数区间上的定积分可以理解为在坐标平面上,由曲线、直线以及轴围成的曲边梯形的面积值。
作用:求面积,确定概率
查看全部 -
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 -
444
查看全部 -
哈哈哈哈哈哈哈鸣笛
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
举报