文章目錄

• 八、Python經典算法
• • 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.學習（神經網絡）
  • • 5.1.BP神經網絡
  • 6.推薦算法
  • 7.時間序列（視頻學習）

八、Python經典算法

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，盡可能地擬合數據點，生成線性回歸模型，并進行預測
解決什么樣的問題：要完成的任務是預測一個連續值的話，那這個任務就是回歸。是離散值的話就是分類
擬合（Fitting）：就是說這個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）：就是太過貼近于訓練數據的特征了，在訓練集上表現非常優秀，近乎完美的預測/區分了所有的數據，但是在新的測試集上卻表現平平，不具泛化性，拿到新樣本后沒有辦法去準確的判斷。
欠擬合（UnderFitting）：測試樣本的特性沒有學到，或者是模型過于簡單無法擬合或區分樣本。
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：根據已知樣本進行分類學習，生成模型，并對測試樣本進行預測
解決什么樣的問題：了解單個樣本信息特征以及其標簽值，根據其生成模型，并對測試樣本進行預測

#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：根據已知樣本進行分類學習，生成模型，并對測試樣本進行預測
解決什么樣的問題：不了解單個樣本信息特征以及其標簽值，根據其生成模型，并對測試樣本進行預測

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據點映射到低維度的空間中
解決什么樣的問題：通過映射將數據降維后進行分類，案例征友考量，案例文科指數，理科指數(可以使用因子分析得到與原數據相關系數)

4.1.PCA算法

4.2.FA算法

5.學習（神經網絡）

學習-課程回顧
目的：某種映射方法，將原高維空間中的數據點映射到低維度的空間中
解決什么樣的問題：案例圖像識別

5.1.BP神經網絡

6.推薦算法

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

7.時間序列（視頻學習）

時間序列-課程回顧
目的：根據已有的歷史數據對未來進行預測
解決什么樣的問題：案例股票


ADF檢驗

差分


ADF檢驗


反差分

總結

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）的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。