文章目錄

• 八、Python經(jīng)典算法
• • 0.Python畫圖
  • 1.回歸-線性回歸
  • 2.分類-k最近鄰
  • 3.聚類
  • • 3.1.Kmeans(k均值聚類算法)
    • 3.2.DBSCAN(基于密度的聚類算法)
    • 3.3.層次聚類算法
  • 4.降維
  • • 4.1.PCA算法
    • 4.2.FA算法
  • 5.學(xué)習(xí)（神經(jīng)網(wǎng)絡(luò)）
  • • 5.1.BP神經(jīng)網(wǎng)絡(luò)
  • 6.推薦算法
  • 7.時(shí)間序列（視頻學(xué)習(xí)）

八、Python經(jīng)典算法

0.Python畫圖

Python畫圖

1.回歸-線性回歸

回歸-課程回顧
目的：找一條線，盡可能地?cái)M合數(shù)據(jù)點(diǎn)，生成線性回歸模型，并進(jìn)行預(yù)測(cè)
解決什么樣的問題：要完成的任務(wù)是預(yù)測(cè)一個(gè)連續(xù)值的話，那這個(gè)任務(wù)就是回歸。是離散值的話就是分類
擬合（Fitting）：就是說這個(gè)曲線能不能很好的描述某些樣本，并且有比較好的泛化能力。
過擬合（Overfitting）：就是太過貼近于訓(xùn)練數(shù)據(jù)的特征了，在訓(xùn)練集上表現(xiàn)非常優(yōu)秀，近乎完美的預(yù)測(cè)/區(qū)分了所有的數(shù)據(jù)，但是在新的測(cè)試集上卻表現(xiàn)平平，不具泛化性，拿到新樣本后沒有辦法去準(zhǔn)確的判斷。
欠擬合（UnderFitting）：測(cè)試樣本的特性沒有學(xué)到，或者是模型過于簡(jiǎn)單無法擬合或區(qū)分樣本。
過擬合和欠擬合的形象解釋

import matplotlib.pyplot as plt import numpy as np t = np.arange(1,10,1) y = 0.9 * t + np.sin(t) # plt.plot(t,y,"o") # plt.show() model = np.polyfit(t,y,deg = 3)#生成三階模型 t2 = np.arange(-2,12,0.5) y2predict = np.polyval(model,t2) plt.plot(t,y,"o",t2,y2predict,"x") plt.show()

2.分類-k最近鄰

分類-課程回顧
目的：根據(jù)已知樣本進(jìn)行分類學(xué)習(xí)，生成模型，并對(duì)測(cè)試樣本進(jìn)行預(yù)測(cè)
解決什么樣的問題：了解單個(gè)樣本信息特征以及其標(biāo)簽值，根據(jù)其生成模型，并對(duì)測(cè)試樣本進(jìn)行預(yù)測(cè)

#分類算法 #k最近鄰：近朱者赤近墨者黑原理 import os import pandas as pd from sklearn import neighbors thisFilePath = os.path.abspath('.') os.chdir(thisFilePath) # print(os.getcwd()) df = pd.read_csv('ScoreData.csv') # print(df.head())train_x = df.iloc[0:8,2:4] # print(train_x.head()) train_y= df.iloc[0:8,4] # print(train_y.head())model = neighbors.KNeighborsClassifier() model.fit(train_x,train_y) test_x = df.iloc[8:11,2:4] test_y= df.iloc[8:11,4].valuestest_p = model.predict(test_x) print(test_p) print(test_y)print(model.score(test_x, test_y))

3.聚類

聚類-課程回顧
目的：根據(jù)已知樣本進(jìn)行分類學(xué)習(xí)，生成模型，并對(duì)測(cè)試樣本進(jìn)行預(yù)測(cè)
解決什么樣的問題：不了解單個(gè)樣本信息特征以及其標(biāo)簽值，根據(jù)其生成模型，并對(duì)測(cè)試樣本進(jìn)行預(yù)測(cè)

3.1.Kmeans(k均值聚類算法)

(k-means clustering algorithm)

import numpy as np train_x2 = np.array(train_x[['yuwen','shuxue']]) print(train_x2) from sklearn.cluster import KMeans model2 = KMeans(n_clusters=3) model2 = model2.fit(train_x2) clusterResult = pd.DataFrame(model2.labels_,index=train_x.index,columns=['clusterResult']) print(clusterResult.head())

3.2.DBSCAN(基于密度的聚類算法)

(Density-Based Spatial Clustering of Applications with Noise)

3.3.層次聚類算法

一篇
二篇
三篇

4.降維

降維-課程回顧
目的：某種映射方法，將原高維空間中的數(shù)據(jù)點(diǎn)映射到低維度的空間中
解決什么樣的問題：通過映射將數(shù)據(jù)降維后進(jìn)行分類，案例征友考量，案例文科指數(shù)，理科指數(shù)(可以使用因子分析得到與原數(shù)據(jù)相關(guān)系數(shù))

4.1.PCA算法

4.2.FA算法

5.學(xué)習(xí)（神經(jīng)網(wǎng)絡(luò)）

學(xué)習(xí)-課程回顧
目的：某種映射方法，將原高維空間中的數(shù)據(jù)點(diǎn)映射到低維度的空間中
解決什么樣的問題：案例圖像識(shí)別

5.1.BP神經(jīng)網(wǎng)絡(luò)

6.推薦算法

推薦-課程回顧
目的：利用用戶的一些行為，通過一些數(shù)學(xué)算法，推測(cè)出用戶可能喜歡的東西
解決什么樣的問題：案例推薦

7.時(shí)間序列（視頻學(xué)習(xí)）

時(shí)間序列-課程回顧
目的：根據(jù)已有的歷史數(shù)據(jù)對(duì)未來進(jìn)行預(yù)測(cè)
解決什么樣的問題：案例股票


ADF檢驗(yàn)

差分


ADF檢驗(yàn)


反差分

總結(jié)

以上是生活随笔為你收集整理的【Python】学习笔记总结8（经典算法）的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。