首页 > TAG信息列表 > Xtrain
【无标题】CNN在MATLAB中的实现
训练卷积神经网络的一些合成图像的手写数字，然后在测试集上运行训练好的网络，计算其准确性。 [XTrain, YTrain] = digitTrain4DArrayData;%导入训练数据 layers = [ ... imageInputLayer([28 28 1]) convolution2dLayer(5,20) reluLayer maxPooling2dLayer(2,'Stride',2)基于SVM算法预测澳大利亚是否降雨，绘制混淆矩阵及ROC曲线
基于SVM算法预测澳大利亚是否降雨，绘制混淆矩阵及ROC曲线 代码控制台结果ROC曲线 代码 import matplotlib.pyplot as plt import pandas as pd import numpy as np from sklearn.model_selection import train_test_split from sklearn.preprocessing import LabelEncod机器学习（三）使用神经网络识别手写体数字
机器学习（三）使用神经网络识别手写体数字 实验内容： 使用sklearn.neural_network.MLPClassifier类实现手写数字图片识别 MPLClassifier是一个有监督学习算法，MPL又称多层感知机，除了输入和输出层， 中间可以有多个隐含层。 sklearn.externals.joblib.dump方法用于保存模型参数 sklea2021-11-08
关于高斯核函数（rbf）径向基函数的代码 在scdn上找了好久，想找一个比较的好用的python代码就是没有。索性自己写一个吧；我把高斯核函数的公式放在这里 这个公式有多简单，就三个输入，x1,x2,sigma。为什么给我搞这么复杂？为什么。就不能简单一点，各位看看这个好吗： def kernelfun(xtrain,机器学习sklearn（85）：算法实例（42）分类（21）朴素贝叶斯（四） 不同分布下的贝叶斯（三） 多项式朴素贝叶斯以及其变化
1 多项式朴素贝叶斯MultinomialNB 1. 导入需要的模块和库 from sklearn.preprocessing import MinMaxScaler from sklearn.naive_bayes import MultinomialNB from sklearn.model_selection import train_test_split from sklearn.datasets import make_机器学习sklearn（78）：算法实例（三十五）回归（七）线性回归大家族（五）多重共线性：岭回归与Lasso（二）Lasso
3 Lasso 3.1 Lasso与多重共线性 3.2 Lasso的核心作用：特征选择 import numpy as np import pandas as pd from sklearn.linear_model import Ridge, LinearRegression, Lasso from sklearn.model_selection import train_test_split as TTS from sklear机器学习sklearn（75）：算法实例（三十二）回归（四）线性回归大家族（二）多元线性回归LinearRegression
1 多元线性回归的基本原理 2 最小二乘法求解多元线性回归的参数 https://en.wikipedia.org/wiki/Matrix_calculus 3 linear_model.LinearRegression class sklearn.linear_model.LinearRegression (fifit_intercept=True, normalize=False, cop逻辑回归（ROC、AUC、KS）-python实现-内含训练数据-测试数据
一、逻辑回归理论：关注代码上线 Hypothesis Function（假设函数）：1.0/(1+exp(-inX)) Cost Function（代价函数）： 通过梯度下降法，求最小值。 weights(系数矩阵)=weights+alpha（固定值）*dataMatrix（特征指标）*error（真实值-预测值） 二、运行效果 第一组： 第二组： 第三组： 三、python代码朴素贝叶斯Python代码实现（转）
#-*- coding:utf-8 -*- import pandas as pd import numpy as np import json class NaiveBayes: def __init__(self): self.model = {} # key 为类别名 val 为字典PClass表示该类的该类，PFeature:{}对应对于各个特征的概率 def calEntropy(self, y): # 计