Building my first maching learning system

记录一下自己学习中遇到的问题。。

1. IDE使用的是pycharm，暂时没有发现什么问题。

2. 需要用到依赖包scipy& numpy & scikit-learn & matplotlib

其中由于matplotlib 在windows上安装比较麻烦所以在ubuntu上实现。

matplotlib 安装代码：(2选1)

sudo apt install python-matplotlib

sudo pip install matplotlib

3.第一次接触Matplotlib 画图，尝试把《机器学习系统设计》第二章的第一个图画了一下，进行数据的可视化，先对整个iris数据集有一个视觉上的印象方便采取相应的算法，代码如下：

from matplotlib import pyplot as plt
from sklearn.datasets import load_iris
import numpy
data = load_iris()
features = data['data']
feature_names = data['feature_names']
target = data['target']
#plt.figure(12)
plt.subplot(231)
for t,marker,c in zip(xrange(3),">oh","rgb"):plt.scatter(features[target == t,0],features[target == t,1],50,marker = marker,c=c)
plt.xlabel(feature_names[0])
plt.ylabel(feature_names[1])
#plt.plot()
plt.subplot(232)
for t,marker,c in zip(xrange(3),">oh","rgb"):plt.scatter(features[target == t,0],features[target == t,2],50,marker = marker,c=c)
plt.xlabel(feature_names[0])
plt.ylabel(feature_names[2])
#plt.plot()
plt.subplot(233)
for t,marker,c in zip(xrange(3),">oh","rgb"):plt.scatter(features[target == t,0],features[target == t,3],50,marker = marker,c=c)
plt.xlabel(feature_names[0])
plt.ylabel(feature_names[3])
plt.subplot(234)
for t,marker,c in zip(xrange(3),">oh","rgb"):plt.scatter(features[target == t,1],features[target == t,2],50,marker = marker,c=c)
plt.xlabel(feature_names[1])
plt.ylabel(feature_names[2])
plt.subplot(235)
for t,marker,c in zip(xrange(3),">oh","rgb"):plt.scatter(features[target == t,1],features[target == t,3],50,marker = marker,c=c)
plt.xlabel(feature_names[1])
plt.ylabel(feature_names[3])
plt.subplot(236)
for t,marker,c in zip(xrange(3),">oh","rgb"):plt.scatter(features[target == t,2],features[target == t,3],50,marker = marker,c=c)
plt.xlabel(feature_names[2])
plt.ylabel(feature_names[3])
plt.show()

4.画出各个数据点的分布后可以构建第一个分类模型。

5.简单阐述K-means.（clustering 聚类）

k-means 算法的具体步骤：

选定 K 个中心的初值。这个过程通常是针对具体的问题有一些启发式的选取方法，或者大多数情况下采用随机选取的办法。因为前面说过 k-means 并不能保证全局最优，而是否能收敛到全局最优解其实和初值的选取有很大的关系，所以有时候我们会多次选取初值跑 k-means ，并取其中最好的一次结果。
将每个数据点归类到离它最近的那个中心点所代表的 cluster 中。
用公式计算出每个 cluster 的新的中心点。
重复第二步，一直到迭代了最大的步数或者前后的的值相差小于一个阈值为止。

Building my first maching learning system相关推荐

Machine Learning week 6 quiz: Machine Learning System Design
Machine Learning System Design 5 试题 1. You are working on a spam classification system using regular ...
Coursera公开课笔记: 斯坦福大学机器学习第十一课“机器学习系统设计(Machine learning system design)”
Coursera公开课笔记: 斯坦福大学机器学习第十一课"机器学习系统设计(Machine learning system design)" 斯坦福大学机器学习斯坦福大学机器学习第 ...
Maching Learning
Machine learning system type 机器学习的类型划分主要基于以下几点: Whether or not they are trained with human supervisi ...
Maching Learning 学习资料
A星(A*, A Star)算法详解 CSDN技术主题月----"深度学习"代码笔记专栏 UC Berkeley CS188 Intro to AI 本文转自博客园Grandyan ...
maching learning入门（六）
ml入门(六)powered by @李宏毅第十五课(Reinforcement Learning) 让机器根据不同的action将会得到不同的response,可能是不好的,也可能是好的.rein ...
论文阅读《On Building an Accurate Stereo Matching System on Graphics Hardware》（AD Census-双目立体匹配）
论文地址:On Building an Accurate Stereo Matching System on Graphics Hardware 问题提出基于SGM的方法速度快,但精度不高,基于 ...
简略阅读《Guiding Deep Learning System Testing using Surprise Adequacy》
Guiding Deep Learning System Testing using Surprise Adequacy Abstract 深度学习(DL)系统正迅速被应用于安全和安全关键领域,迫切需 ...
《Guiding Deep Learning System Testing using Surprise Adequacy》论文笔记
Guiding Deep Learning System Testing using Surprise Adequacy 原文:Guiding Deep Learning System Testing ...
Machine learning system design - Error analysis
摘要: 本文是吴恩达 (Andrew Ng)老师<机器学习>课程,第十二章<机器学习系统设计>中第94课时<误差分析>的视频原文字幕.为本人在视频学习过程中记录下来 ...

Building my first maching learning system

Building my first maching learning system相关推荐

最新文章

热门文章