计算机科学与技术2018-
逻辑回归---梯度下降法
前言： 线性关系主要解决一类事物的特点，而逻辑回归注重于解决分类问题，试图寻找多种事物的边界所在，因此掌握逻辑回归是十分必要的！ 正文： 执行效果如下： 打印出来的data格式如下： 训练后的权值如下： 图片展示如下： 三种率运算如下： 总结： 可以看出工作量很高，检查很频繁，容易报错，尤其要求对参 -
学习日记(2.22-2.21 K-MEANS)
K means算法 K means算法简介 k均值聚类算法（k means clustering algorithm）是一种迭代求解的聚类分析算法，其步骤是，预将数据分为K组，则随机选取K个对象作为初始的聚类中心，然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。聚 -
2.Http基础
文章目录 HTTP协议概念Http请求请求方式请求行请求头请求体请求发送方式 Http响应状态码常用其他 响应行响应头常... -
1.客户端与服务器
C/S与B/S 客户端：当我们使用手机或者电脑通过网络去访问网络资源时，此时我们这一端就叫做客户端。也就是发起访问的一方即为客户端。... -
学习日记(2.21集成学习)
集成学习 Ensemble Learning 集成学习简介： 用通俗易懂的话来解释集成学习，我们可以理解为就是开会。会议目的就是综合参加会议所有人的提议，拟定出一个最佳的方案。同样我们也可以这么说，就是把各个模型进行二次结合，找到一个最符合实际情况的数据集，有些模型出现过拟合，欠拟合的情况用集成学习 -
线回与非线回---线性回归标准方程法
前言： 解决线性回归问题不仅可以使用梯度下降法，还可以使用标准方程法，今天我将尝试用标准方程法来解决问题 正文： 图片展示： 图片显示如下： 可以看到x_data修改后的格式 结果如下： 总结： 通过标准方程法同样可以解决问题，且较为简单，但对于多参数问题，则梯度下降法比较合适！ -
线回与非线回---sklearn--多项式回归
前言： 有些生活中的问题也许符合一元或多元线性回归的标准，但还有很多问题无法用一条直线来解决，需要使用样式更多更复杂的曲线来说明问题，因此今天我将要解决多项式的问题。 正文： 图片展示如下： 可以看出这个图片属于曲线类型，如果用直线来表示，效果一定不好！ 展示一下直线的效果： 可以发现直线的效果很差 -
线回与非线回---sklearn--多元线性回归
前言： 前面用自写函数解决了多元问题，现在用sklearn库来解决多元线性问题 正文： 数据图片： 切分后的数据： 测试结果如下： 总结： 效果还是不错的，而且这个图可以移动，方便查看！ -
学习日记(2.20 决策树)
决策树 决策树简介 决策树(Decision Tree）是在已知各种情况发生概率的基础上，通过构成决策树来求取净现值的期望值大于等于零的概率，评价项目风险，判断其可行性的决策分析方法，是直观运用概率分析的一种图解法。由于这种决策分支画成图形很像一棵树的枝干，故称决策树。在机器学习中，决策树是一个预测 -
线回与非线回---梯度下降法--多元线性回归
前言： 这次我来使用梯度下降法来解决多元线性回归问题，实际问题中每个事物都带有很多属性，一个参数往往只出现于理想情况，因此解决多元问题是很重要的。 正文： 数据展示如下： 数据切分情况，看得出来成功切成了两部分： 更新后的参数值： 图片展示如下： 总结： 这次有两个问题没有很明白，一个是add_su