-
深度学习框架 PyTorch 目录
学习使用深度学习框架 PyTorch, 主要包含的内容如下: PyTorch 创建张量 PyTorch 张量的数值计算 PyTorch 张量类型转换 PyTorch 张量的拼接操作 PyTorch 索引操作 PyTorch 张量形状的操作 PyTorch 张量的运算函数 PyTorch 自动微分模块 案例: 手动构建线性回归 PyTorch 构架构建线性回归 模型的保存和加载- 35
- 0
-
4 – 电信客户流失预测
1. 数据集介绍 AT&T数据，用户个人，通话，上网等信息数据 充分利用数据预测客户的流失情况 帮助挽留用户，保证用户基数和活跃程度 具体数据说明如下： CustomerID 客户ID Gender 性别 partneratt 配偶是否也为att用户 dependents_att 家人是否也是att用户 landline 是否使用att固话服务 internet_att/internet_…- 40
- 0
-
3 – 分类评估指标
1. 混淆矩阵 混淆矩阵作用就是看一看在测试集样本集中： 真实值是 正例 的样本中，被分类为 正例 的样本数量有多少，这部分样本叫做真正例（TP，True Positive） 真实值是 正例 的样本中，被分类为 假例 的样本数量有多少，这部分样本叫做伪反例（FN，False Negative） 真实值是 假例…- 21
- 0
-
2 – 案例 癌症分类预测
1 逻辑回归的API sklearn提供了逻辑回归的API sklearn.linear_model.LogisticRegression(solver='liblinear', penalty=‘l2’, C = 1.0) solver可选参数:{'liblinear', 'sag', 'saga','ne…- 27
- 0
-
1 – 逻辑回归介绍
1. 逻辑回归的应用场景 逻辑回归（Logistic Regression）是机器学习中的 一种分类模型 ，逻辑回归是一种分类算法，虽然名字中带有回归。由于算法的简单和高效，在实际中应用非常广泛 广告点击率 是否为垃圾邮件 是否患病 信用卡账单是否会违约 看到上面的例子，我们可以发现其中的特点，那就是都属于两个类别之间的判断。逻辑回归就是解决二分类问题的利器 2. 逻辑回归的原…- 53
- 0
-
0 – 逻辑回归简介
逻辑回归可以用于解决常见的分类问题，也是解决分类中常用的一种算法。在本章节学习到的内容如下： 理解逻辑回归的原理 理解分类的评估指标 掌握类别不平衡数据的解决方法 最后，我们应用逻辑回归模型实现 电信客户流失预测 案例。- 18
- 0
-
7 – 手写数字识别 KNN
1. 案例介绍 MNIST手写数字识别 是计算机视觉领域中 "hello world"级别的数据集 1999年发布，成为分类算法基准测试的基础 随着新的机器学习技术的出现，MNIST仍然是研究人员和学习者的可靠资源。 本次案例中，我们的目标是从数万个手写图像的数据集中正确识别数字。 2. 数据介绍 数据文件 train.csv 和 test.csv 包含从 0 到 9 的手绘数…- 39
- 0
-
6 – K 值选择问题
1. K取不同值时带来的影响 举例： 有两类不同的样本数据，分别用蓝颜色的小正方形和红色的小三角形表示，而图正中间有一个绿色的待判样本。 问题：如何给这个绿色的圆分类？是判断为蓝色的小正方形还是红色的小三角形？ 方法：应用KNN找绿色的邻居，但一次性看多少个邻居呢（K取几合适）？ 解决方案： K=4，绿色圆圈最近的4个邻居，3红色和1个蓝，按少数服从多数，判定绿色样本与红色三角形属于同一类别 K=…- 15
- 0
-
5 – 分类模型评估方法
1.数据集划分 1.1 为什么要划分数据集? 思考：我们有以下场景： 将所有的数据都作为训练数据，训练出一个模型直接上线预测 每当得到一个新的数据，则计算新数据到训练数据的距离，预测得到新数据的类别 存在问题： 上线之前，如何评估模型的好坏？ 模型使用所有数据训练，使用哪些数据来进行模型评估？ 结论：不能将所有数据集全部用于训练 为了能够评估模型的泛化能力，可以通过实验测试对学习器的泛化能力进行评…- 17
- 0
-
4 – K 近邻算法 API
1. Sklearn API介绍 本小节使用 scikit-learn 的 KNN API 来完成对鸢尾花数据集的预测. API介绍 2. 鸢尾花分类示例代码 鸢尾花数据集 鸢尾花Iris Dataset数据集是机器学习领域经典数据集，鸢尾花数据集包含了150条鸢尾花信息，每50条取自三个鸢尾花中之一：Versicolour、Setosa和Virginica 每个花的特征用如下属性描述： 示例代码…- 18
- 0
-
3 – 归一化和标准化
1. 为什么做归一化和标准化 样本中有多个特征，每一个特征都有自己的定义域和取值范围，他们对距离计算也是不同的，如取值较大的影响力会盖过取值较小的参数。因此，为了公平，样本参数必须做一些归一化处理，将不同的特征都缩放到相同的区间或者分布内。 2. 归一化 通过对原始数据进行变换，把数据映射到(默认为[0,1])之间。 scikit-learn 中实现归一化的 API: from sklearn.p…- 15
- 0
-
2 – 距离度量方法
1. 机器学习中为什么要度量距离？ 机器学习算法中，经常需要 判断两个样本之间是否相似 ，比如KNN，K-means，推荐算法中的协同过滤等等，常用的套路是 将相似的判断转换成距离的计算 ，距离近的样本相似程度高，距离远的相似程度低。所以度量距离是很多算法中的关键步骤。 KNN算法中要求数据的所有特征都用数值表示。若在数据特征中存在非数值类型，必须采用手段将…- 16
- 0
-
1 – K 近邻算法原理
1. 为什么学习KNN算法 KNN是监督学习分类算法，主要解决现实生活中分类问题。 根据目标的不同将监督学习任务分为了分类学习及回归预测问题。 监督学习任务的基本流程和架构： 首先准备数据，可以是视频、音频、文本、图片等等 抽取所需要的一些列特征，形成特征向量（Feature Vectors） 将这些特征向量连同标记（Label）一并送入机器学习算法中，训练出一个预测模型（Predictive M…- 17
- 0
-
3 – 机器学习分类
1. 监督学习 监督学习指的是人们给机器一大堆标记好的数据，比如： 一大堆照片，标记出哪些是猫的照片，哪些是狗的照片 让机器自己学习归纳出算法或模型 使用该算法或模型判断出其他没有标记的照片是否是猫或狗 上述流程如下图所示： 监督学习典型模型：Linear regression、Logistic regression、SVM、Neural network等 1.1 分类问题 分类是监督学习的一个核…- 28
- 0
-
2 – 机器学习概念
1. 机器学习引入 试想这样一个场景，傍晚小街路面上沁出微雨后的湿润，和煦的细风吹来，抬头看看天边的晚霞。心里想着明天又是一个好天气。 走到水果摊旁，挑了个色泽青绿、敲起来声音浊响的青绿西瓜，一边期待着西瓜皮薄肉厚瓤甜的爽落感。 回想刚刚我们的场景，我们会发现这里涉及很多基于经验做出的预判。 为什么看到微湿路面、感到和风、天边晚霞就认为明天是好天呢？ 答：这是因为在我们的生活经验中已经遇见过很多类…- 37
- 0
-
1 – 人工智能概念
1. 人工智能的应用方向 思考下面应用场景 考虑购物习惯，推荐相关商品? & 机器学习推荐算法 根据病人状况确定属于什么疾病? & 机器学习分类预测算法 预测2018年人民币汇率涨or不涨? & 机器学习分类预测算法 预测2022年深圳市房价趋势走向？ & 机器学习回归算法 如何根据特征对样本数据进行聚类？ & 机器学习聚类算法 2. 人工智能的发展历史 机…- 36
- 0
-
Pandas 使用指南——什么是Pandas？
Pandas是一个强大的分析结构化数据的工具集 它的使用基础是Numpy（提供高性能的矩阵运算） 用于数据挖掘和数据分析和处理，同时也提供数据清洗功能 Pandas利器之 Series 它是一种类似于一维数组的对象 是由一组数据(各种NumPy数据类型)以及一组与之相关的数据标签(即索引)组成 仅由一组数据也可产生简单的Series对象 Pandas利器之 DataFrame DataFrame是…- 19
- 0
-
3 Pandas绘图
1 Pandas数据可视化简介¶ pandas库是Python数据分析的核心库 它不仅可以加载和转换数据，还可以做更多的事情：它还可以可视化 pandas绘图API简单易用，是pandas流行的重要原因之一 2 Pandas 单变量可视化¶ 单变量可视化， 包括条形图、折线图、直方图、饼图等 数据使用葡萄酒评论数据集, 来自葡萄酒爱好者杂志(wineEnthusiast)，包含10个字段，1509…- 28
- 0
-
1 Python数据可视化
1 数据可视化简介 1.1 数据可视化概念 数据可视化是指直观展现数据，它是数据处理过程的一部分。 把数值绘制出来更方便比较。借助数据可视化，能更直观地理解数据，这是直接查看数据表做不到的 数据可视化有助于揭示数据中隐藏的模式，数据分析时可以利用这些模式选择模型 1.2 数据可视化常用库和各自特点 1.2.1 Matplotlib（功能强大，代码相对复杂） Matplotlib是Python编程语…- 28
- 1
-
NumPy 使用指南
1 NumPy简介 NumPy（Numerical Python）是Python数据分析必不可少的第三方库，NumPy的出现一定程度上解决了Python运算性能不佳的问题，同时提供了更加精确的数据类型，使其具备了构造复杂数据类型的能力。本身是由C语言开发，是个很基础的扩展，NumPy被Python其它科学计算包作为基础包，因此理解np的数据类型对python数据分析十分重要。NumPy重在数值计算…- 45
- 0