关于SKlearn中的函数学习及关键代码部分，会持续更新（参考sklearn官方文档）一：分类、回归二：降维三：模型评估与选择四：数据预处理五：模型保存 大类小类适用问题实现文档说明重要代码一、分类、回归1.1 广义线性模型1.1.1 普通最小二乘法回归sklearn.linear_model.LinearRegressionfrom sklearn.linear_
转载
2024-04-29 15:07:43
40阅读
sklearn中 F1-micro 与 F1-macro区别和计算原理最近在使用sklearn做分类时候，用到metrics中的评价函数，其中有一个非常重要的评价函数是F1值，（关于这个值的原理自行google或者百度）在sklearn中的计算F1的函数为 f1_score ，其中有一个参数average用来控制F1的计算方式，今天我们就说说当参数取micro和macro时候的区别1、F1公式描述
k近邻：两个样本足够相似的话就有更高的概率属于同一个类别，看和它最相似的k个样本中那个类别最多 对KNN来说训练集就是模型 寻找超参数：领域知识、经验数值、实验搜索距离 p=1，2，3…KNN中距离的应用由此引入距离权重，权重为距离的倒数，这也是一种超参数weights=‘uniform’ ‘distance’ 
在scikit-learn 中，与近邻法这一大类相关的类库都在sklearn.neighbors包之中。KNN分类树的类是KNeighborsClassifier，KNN回归树的类KNeighborsRegressor。除此之外，还有KNN的扩展，即限定半径最近邻分类树的类RadiusNeighborsClassifier和限定半径最近邻回归树的类RadiusNeighborsRegre
转载
2024-05-09 11:34:01
119阅读
1 介绍超参数是不直接在估计器中学习的参数。 在 scikit-learn 中，它们作为参数传递给估计器类的构造函数。 需要搜索超参数空间以获得最佳交叉验证分数。scikit-learn 中提供了两种通用的参数搜索方法：
对于给定的值，GridSearchCV 会详尽地考虑所有参数组合RandomizedSearchCV 可以从具有指定分布的参数空间中采样给定数量的候选者。这两个工
日积月累第三周第二天。忙碌的四月啊。发现高中所学的数学全部忘光。。。一点印象也没有了。现在用到了，又要重新学习一遍了，看了一些很基础，越看越起劲。。。。数学发现也挺有意思，比起以前学习数学我觉得最大的不同是，自己学的很有意思。 1.正弦定理、三角形面积公式===2R.S△=bcsinA=absinC=acsinB.
余弦定理是揭示
三角形边角关系的重要定理，直接运用它可解决一类已知三角形
余弦距离
原创
2022-12-06 11:13:37
248阅读
算法文章汇总 余弦距离（也称为余弦相似度）： 用向量空间中两个向量夹角的余弦值 作为衡量两个个体
间差异的大小的度量。向量：多维空间中有方向的线段，如果两个向量的 方向一致，即夹角接
近零，那么这两个向量就相近 。而要确定两个向量方向是否一致，这就要用到余弦定理计算向
量的夹角。 &
转载
2023-10-12 12:19:48
196阅读
KNN算法原理详解KNN算法1.1 解决监督学习中分类问题的一般步骤1.2 什么是消极(惰性)的学习方法2 首先从一个实例讲起3 KNN分类算法入门3.1.1算法综述3.1.2算法思想3.2 KNN三要素详解3.2.1 关于距离的衡量方法3.2.2 K值的选择问题3.2.3 分类决策的准则4 算法步骤详解4.1 KNN算法的步骤4.2 算法的优缺点5 补充:KDTree5.1 构造KD树的算法5
转载
2024-03-25 07:12:47
70阅读
KNN算法——kd-tree、KNN莺尾花分类sklearn实现实例KNN算法——kd-tree、KNN莺尾花分类sklearn实现实例1、kd-tree2、kd-tree的构建3、kd-tree 查找最近邻4、KNN莺尾花分类sklearn实现实例 KNN算法——kd-tree、KNN莺尾花分类sklearn实现实例1、kd-treeKNN算法的重点在于找出K个最邻近的点，算法的训练过程就是将
转载
2024-04-07 13:36:04
39阅读
k-近邻算法也称为knn算法, 可以解决分类问题, 也可以解决回归问题.1. 算法原理k-近邻算法的核心思想是未标记样本的类别, 由距离其最近的 \(k\) 个邻居投票来决定.假设, 我们有一个已经标记的数据集, 即已经知道了数据集中每个样本所属的类别. 此时, 有一个未标记的数据样本, 我们的任务是预测出这个数据样本所属的类别. k-近邻算法的原理是, 计算待标记的数据样本和数据集中每个样本的距
转载
2024-04-29 22:13:12
35阅读
天道有轮回，苍天饶过谁！！！其实数学在我们生活当中或者是工作当中，其实用的地方非常之多，我们今天就来聊一下三角(反三角)函数在javascript中的应用。先看一下勾股定理 根据勾股定理可以得出 再看几个APIMath.pow() 平方/立方
Math.pow(2,3) // 2的立方
Math.pow(2,2) // 2的平方 Math
导语：scikit-learn是Python中一个功能非常齐全的机器学习库，本篇文章将介绍如何用scikit-learn来进行kNN分类计算。不费话from sklearn import neighbors开始吧。功能详解本篇中，我们讲解的是 scikit-learn 库中的 neighbors.KNeighborsClassifier，翻译为 k 最近邻分类功能，也就是我们常说的 kNN，k-n
转载
2024-09-03 21:59:21
40阅读
Atitti knn实现的具体四个距离算法 欧氏距离、余弦距离、汉明距离、曼哈顿距离 1. Knn算法实质就是相似度的关系1 1.1. 文本相似度计算在信息检索、数据挖掘、机器翻译、文档复制检测等领域有着广泛的应用1 2. 汉明距离1 2.1. 历史及应用1 3. 曼哈顿距离2 3.1. SimHa
转载
2016-10-25 01:32:00
214阅读
2评论
Atitti knn实现的具体四个距离算法 欧氏距离、余弦距离、汉明距离、曼哈顿距离1.Knn算法实质就是相似度的关系11.1.文本相似度计算在信息检索、数据挖掘、机器翻译、文档复制检测等领域有着广泛的应用12.汉明距离12.1.历史及应用13.曼哈顿距离23.1.SimHash + 汉明距离33.2.、简单共有词4
原创
2021-08-30 17:06:49
466阅读
1 背景KNN算法采用测量不同特征值之间的距离方法进来分类，思想类似成语近朱者赤近墨者黑。1.1 KNN流程最常用的度量距离方法是欧式距离，即计算测试集与待预测数据差值的平方和开方(1)。若多维度数据数值范围差异较大，需要先对所有数据进行标准化(2)或归一化(3)处理. &n
(目录) 欧式距离 欧式距离也称为欧几里得距离或者欧几里得度量，是一个通常采用的距离定义，它是在m维空间中两个点之间的真实距离。在二维和三维空间中的欧式距离就是两点之间的距离。 二维： x = \(\sqrt{(x_2-x_1)^2+(y_2-y_1)^2}\) $（x_2,y_2）$到原点的欧式距 ...
转载
2021-01-22 18:14:00
3308阅读
2评论
Scikit learn 也简称sklearn，是机器学习领域当中最知名的python模块之一。sklearn包含了很多机器学习的方式：Classification 分类 Regression 回归 Clustering 非监督分类 Dimensionality reduction 数据降维 Model Selection 模型选择 Preprocessing 数据与处理 使用skle
原创
2021-05-07 17:17:37
366阅读
记录下常用的参数，以及函数。参数说明class sklearn.mixture.GaussianMixture(n_components=1, covariance_type='full', tol=0.001, reg_covar=1e-06, max_iter=100,
n_init=1, init_params='kmeans', weights_init=None, means_init
转载
2024-09-23 18:19:40
77阅读
1. KNN算法1.1 定义如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。1.2 距离公式两个样本的距离可以通过如下公式计算，又叫欧式距离 还有曼哈顿距离、明科夫斯基距离（欧氏距离、曼哈顿距离都是明科夫斯基距离的一种特殊情况）1.3 K值的影响K值过大，受样本不均衡的影响；K值过小，容易受异常点的影响；2. sklearn中KNN
转载
2024-09-03 12:09:47
131阅读
