1）. 扑克牌手动演练k均值聚类过程：>30张牌，3类 2）. *自主编写K-means算法 ，以鸢尾花花瓣长度数据做聚类，并用散点图显示。（加分题） from sklearn.datasets import load_iris import numpy as np import matplotlib.pyplot as plt # 数据准备 iris = load_iris() data = iris.data[:, 1
一、课堂练习 # 课堂练习 from sklearn.datasets import load_iris # 导入鸢尾花数据 iris=load_iris() iris iris.keys() data=iris['data'] #鸢尾花数据 target=iris.target #标签,属于哪一种花 iris.feature_names #特征名：花萼长度、花萼宽度、花瓣长度、花瓣宽度 # 'sepal l
1）. 扑克牌手动演练k均值聚类过程：>30张牌，3类 2）. *自主编写K-means算法 ，以鸢尾花花瓣长度数据做聚类，并用散点图显示。（加分题） 代码： from sklearn.datasets import load_irisimport numpy as npimport matplotlib.pyplot as plt# 1.数据准备iris=load_iris()data=iris['d
KNN算法为按距离进行分类的，对于已知的分类，根据欧式距离，最靠近那个分类就被预测为那个分类。 本文只是简单展示一下实现代码，具体的特征和分类，还得自己根据实际场景去调整。 在开始之前注意看看导入的包是否都存在，如不存在的化，请先安装相应的包 # -*- coding:utf-8 -*- import nump
因为注释已经很详细了，所以直接上代码： 1 from sklearn.datasets import load_iris 2 from sklearn.model_selection import train_test_split 3 #k临近算法 4 from sklearn.neighbors import KNeighborsClassifier 5 import numpy as np 6 import pandas as pd 7 def get数
来源地址：https://www.cnblogs.com/bjwu/p/9103002.html Filter-移除低均方差的特征 代码： from sklearn.feature_selection import VarianceThreshold X = [[0, 0, 1], [0, 1, 0], [1, 0, 0], [0, 1, 1], [0, 1, 0], [0, 1, 1]] sel = VarianceThreshold(threshold=(0.2) sel.f
首先补充一下关于数据集的几点内容，在上次博客之后做的练习中，我发现了关于数据集中一些比较重要却被我忽视的内容。 1、划分数据集。对于机器学习来说，不能将所有的数据都用来进行训练，这是因为倘若将所有的数据都用来训练，然后训练完毕后的模型直接去进行预测等工作，这样很难
一、集中趋势和离中趋势 表示集中趋势的指标们： 均值、中位数、众数、百分位数 异常值判定： 3σ原则原则（还有很多别的原则）：超出（μ-3σ,μ+3σ)的值，即超出箱线图上下边界的点 离散程度指标： 极差（range） 标准差（sta.dev） 方差（variance） 变异系数（CV）：对标准差做去量纲化，消除两组
算法1：k近邻法 复杂度：O(n) 算法2：构造平衡kd树 算法3：搜索kd树 复杂度:O(log(n)) 当空间维数接近训练实例数时，他的效率会迅速下降，几乎接近线性扫描 python代码实现k近邻法： # # k近邻算法 步骤： 1.导入数据 2.分割数据(用于交叉验证) 3.k近邻算法 4.模型评估 # ### 一、导入数据 #
数据可视化库：1.matplotlib； 2.seabron(辅助的库,更强大更丰富更好看)； 3.Axes3D ...1.导包 1 import numpy as np 2 import pandas as pd 3 4 import matplotlib.pyplot as plt 5 6 import seaborn as sns 7 8 #去除执行当中报警告提示的库 9 import warnings 10 wa
目录 1 Filter 1.1 移除低方差特征（Removing features with low variance） 1.2 单变量特征选择 (Univariate feature selection) 1.2.1 卡方检验 (Chi2) 1.2.2 Pearson 相关系数 (Pearson Correlation) 2 Wrapper 2.1 递归特征消除 (Recursive Featu
1、问题简述 假设有一名植物学爱好者对她发现的鸢尾花的品种很感兴趣。她收集了每朵鸢尾花的一些测量数据： 花瓣的长度和宽度以及花萼的长度和宽度，所有测量结果的单位都是厘米。 她还有一些鸢尾花的测量数据，这些花之前已经被植物学专家鉴定为属于 setosa、versicolor
此篇代码接着上一篇，这里查看https://blog.csdn.net/qq_42871249/article/details/104456690 模型的保存与载入 先将模型保存的函数调出来，存贮为checkpoint from keras.callbacks import ModelCheckpoint checkpoint = ModelCheckpoint(filepath = r'F:\learning_kecheng\de
3. Session的使用和控制 在实际的项目开发中，我们会经常有业务场景使用到Session功能。在iris框架中，也为我们提供了方便使用，功能齐全的Session模块。Session模块的源码目录为kataras/iris/sessions包。 3.1 Session与Cookie的区别 在学习web开发过程中，我们总会和session和cookie打
package main import ( "github.com/kataras/iris" "os" "encoding/json" "fmt" ) /** * Iris配置设置案例 */ func main() { //1.新建app实例 app := iris.New() //一、通过程序代码对应用进行全局配置 app.Configure(iris.WithConfiguration(iri
鸢尾花数据集简介 Iris数据集作为入门经典数据集。Iris数据集是常用的分类实验数据集，早在1936年，模式识别的先驱Fisher就在论文The use of multiple measurements in taxonomic problems中使用了它 (直至今日该论文仍然被频繁引用)。 Iris也称鸢尾花卉数据集，是一类多重变量分
NumPy 是 Python 科学计算的基础软件包， 提供多维数组对象，多种派生对象（掩码数组、矩阵等）以及用于快速操作数组的函数及 API，它包括数学、逻辑、数组形状变换、排序、选择、I/O 、离散傅立叶变换、基本线性代数、基本统计运算、随机模拟等等。70道NumPy测试题
数据集官网下载； jupyter notebook 实现； import numpy as np import pandas as pd import matplotlib.pyplot as plt fname = 'E:\\pythonwork\\project\\Deeplearning\\Task\\data\\iris.data' with open(fname, 'r+', encoding='utf-8
# -*- coding: utf-8 -*- """scikit-learn introduction Automatically generated by Colaboratory. Original file is located at https://colab.research.google.com/drive/1quaJafg43SN7S6cNwKFr0_WYn2ELt4Ph scikit-learn官方网站：https://scikit-learn
任务——手写KNN算法实现分类问题 1. 导入数据集 在查资料的时候看到了导iris数据集还可以直接利用Python中的机器学习包scikit-learn直接导入。 from sklearn.datasets import load_iris data = load_iris() print(dir(data)) # 查看data所具有的属性或方法 print(data.DESCR)
一，决策树概念 通过分支进行判断结果，而这些分支就是特征，如果重要的特征在根节点，就能有效的减少决策次数。所以决策树的问题在于如何高效的构建决策树。 二。 信息论 1.信息熵 -代表信息（结果）的不确定性 2.信息增益 当确定某个特征后，信息熵改变的大小（信息熵-条件熵）
一、支持向量机 （SVM）算法的原理 支持向量机（Support Vector Machine，常简称为SVM）是一种监督式学习的方法，可广泛地应用于统计分类以及回归分析。它是将向量映射到一个更高维的空间里，在这个空间里建立有一个最大间隔超平面。在分开数据的超平面的两边建有两个互相平行的超平面，分隔
Python：txt文件转换成csv文件 尝试将鸢尾花数据集原始的data文件转化为csv格式。data文件可以用记事本打开，具体的操作也是同txt文件相同的。 import csv with open('irisdata2.csv','w',newline='') as iris1: iris1writer=csv.writer(iris1) with open(r'C:\iris\i
库 sklearn 库下的工具： datasets，model_selection，neighbors K近邻代码思路： 有个数据集----对数据分割----调用KNN算法 iris = datasets.load_iris() 导入数据集 数据集权重：开源数据集，重要数据集之一 数据集特点：还有3个类别，所以可分类 数据集描述链接：https://archive.ics.uc
FCM算法 一.原理介绍 模糊C均值（Fuzzy C-means）算法简称FCM算法，是一种基于目标函数的模糊聚类算法，主要用于数据的聚类分析。理论成熟，应用广泛，是一种优秀的聚类算法。 首先介绍一下模糊这个概念，所谓模糊就是不确定，确定性的东西是什么那就是什么，而不确定性的东西就说很像什么。比
