注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. kNN_hand_writing.py

  2. knn手写数字识别代码实现，本实验首先使用基于Python实现kNN算法实现手写字识别，然后使用sklearn库的kNN算法实现手写字识别。通过本实验掌握kNN算法的原理，熟悉kNN算法如何应用在真实世界问题中，同时掌握sklearn机器学习库的使用。

  3. 所属分类：机器学习

    • 发布日期：2020-04-10
    • 文件大小：20kb
    • 提供者：asdasddsddasd

  1. sklearn 的一些常见算法的使用

  2. sklearn中决策树，knn，pca，逻辑回归，线性回归，svm，集成学习，线性回归算法的使用

  3. 所属分类：机器学习

    • 发布日期：2019-03-17
    • 文件大小：8mb
    • 提供者：qq_41861526

  1. python运用sklearn实现KNN分类算法

  2. KNN（K-Nearest-Neighbours Classiflication）分类算法，供大家参考，具体内容如下 最简单的分类算法，易于理解和实现 实现步骤：通过选取与该点距离最近的k个样本，在这k个样本中哪一个类别的数量多，就把k归为哪一类。 注意 该算法需要保存训练集的观察值，以此判定待分类数据属于哪一类 k需要进行自定义，一般选取k<30 距离一般用欧氏距离，即​  通过sklearn对数据使用KNN算法进行分类 代码如下： ## 导入鸢尾花数据集 iris

  3. 所属分类：其它

    • 发布日期：2020-12-25
    • 文件大小：62kb
    • 提供者：weixin_38638647

  1. Numpy中的mask的使用

  2. numpy中矩阵选取子集或者以条件选取子集，用mask是一种很好的方法 简单来说就是用bool类型的indice矩阵去选择， mask = np.ones(X.shape[0], dtype=bool) X[mask].shape mask.shape mask[indices[0]] = False mask.shape X[mask].shape X[~mask].shape (678, 2) (678,) (678,) (675, 2) (3, 2) 例如我们这里用来选取全部点中KN

  3. 所属分类：其它

    • 发布日期：2020-12-25
    • 文件大小：92kb
    • 提供者：weixin_38750007

  1. 使用KNN分类器对sklearn中自带的make_blobs数据进行分类

  2. 1.使用make_blobs生成样本为200，分类为2的数据集，并绘制成散点图。 import matplotlib.pyplot as plt # 导入数据集 from sklearn.datasets import make_blobs # 导入KNN分类器 from sklearn.neighbors import KNeighborsClassifier # 导入数据集拆分工具 from sklearn.model_selection import train_test_split #

  3. 所属分类：其它

    • 发布日期：2020-12-21
    • 文件大小：116kb
    • 提供者：weixin_38522636

  1. 【机器学习实战】利用KNN和其他分类器对手写数字进行识别

  2. 一、在sklearn中创建KNN分类器 KNeighborsClassifier(n_neighbors=5, weights=’uniform’, algorithm=’auto’, leaf_size=30) 看一下这几个参数： 1. n_neighbors：即 KNN 中的 K 值，代表的是邻居的数量。如果K 值比较小，会造成过拟合；如果 K 值比较大，无法将未知物体分类出来。一般我们使用默认值 5。 2. weights：是用来确定邻居的权重，有两种方式： weights=‘unifor

  3. 所属分类：其它

    • 发布日期：2020-12-21
    • 文件大小：134kb
    • 提供者：weixin_38734037

  1. sklearn中KNN的使用

  2. KNN算法主要用于分类问题。 它的核心思想是： 给定一个预测目标 计算预测目标和所有样本之间的距离或者相似度 选择距离最近的前K个样本 通过投票来决定分类 sklearn包中自带的iris样本数据集，这里用这个数据集来练习knn算法。 1、iris数据集的介绍 参考：这一块内容昨天看了一篇博文，忘记地址了。 数据集内包含 3 类共 150 条记录，每类各 50 个数据。 每条记录都有 4 个特征：花萼长度、花萼宽度、花瓣长度、花瓣宽度。 鸢尾花有三个品种：iris-setosa, iris-ve

  3. 所属分类：其它

    • 发布日期：2020-12-21
    • 文件大小：51kb
    • 提供者：weixin_38506713

  1. Machine-Learning:在学习期间存储我的机器学习代码-源码

  2. 用numpy进行机器学习 使用numpy（不使用sklearn）实现经典的机器学习算法。如果您想了解它们的工作原理，它将是一个很好的起点。该代码是根据UBC的机器学习课程分配进行调整的。文件的指示以及每个文件中包含的模块/功能如下。 └─code ├─findMin.py │ ├─findMinL1 │ └─findMin ├─kmeans.py │ └─Kmeans ├─knn.py │ └─KNN ├─least_sq

  3. 所属分类：其它

    • 发布日期：2021-03-18
    • 文件大小：29kb
    • 提供者：weixin_42109732

  1. 客户细分-源码

  2. 沙特数字学院 客户细分 莎玛·阿尔哈比 设置： 图书馆：您将需要numpy，pandas，seaborn，sklearn和matplotlib。 数据：数据集来自 ，可以从此下载。 概述： 流程（步骤）： 1-探索性数据分析（EDA）： 探索性数据分析步骤是识别丢失的数据，探索数据类型，对数据进行可视化，然后再对其进行任何分析，查看数据分布，均值和标准差等。F 最多男性顾客人数 2-提取特征： 分类特征： 将二进制列转换为0,1 将类别变量转换为伪变量/指标变量。 衍生功能： 添

  3. 所属分类：其它

    • 发布日期：2021-02-24
    • 文件大小：400kb
    • 提供者：weixin_42125867

  1. Machine-Learning-w-MNIST：使用MNIST数据集的机器学习模型-源码

  2. 使用MNIST数据集的机器学习模型 KNN是一种简单，易于实现的有监督的机器学习算法，可用于解决分类和回归问题。 但是请记住，KNN的主要缺点是随着数据量的增加，它会变得非常慢，这使得它在需要快速做出预测的环境中是不切实际的选择。 这是一本笔记本，展示了如何训练ML模型以及如何使用KNN算法识别手写数字。 默认参数来自sklearn，经过测试k =2。这是一个正在进行的工作，请随时进行改进。 我将再添加两个模型，即SVM和Random Forest，以查看是否有可能进行改进（很可能是这种情况

  3. 所属分类：其它

    • 发布日期：2021-02-19
    • 文件大小：12mb
    • 提供者：weixin_42149153

  1. 机器学习笔记2–sklearn之iris数据集

  2. 本文来自于fujiabin,本篇会使用scikit-learn这个开源机器学习库来对iris数据集进行分类练习。我将分别使用两种不同的scikit-learn内置算法——DecisionTree（决策树）和kNN（邻近算法），随后我也会尝试自己实现kNN算法。目前为止，我还是在机器学习的入门阶段，文章中暂不详细解释算法原理，如果想了解细节信息可自行搜索。scikit-learn中预制了很多经典数据集，非常方便我们自己练习用。使用方式也很容易： load_iris返回的结果有如下属性：featur

  3. 所属分类：其它

    • 发布日期：2021-01-27
    • 文件大小：62kb
    • 提供者：weixin_38693657