人工智能：第四章 机器学习之聚类

人工智能 机器学习 深度学习 python anaconda jupyter 配置与开发问题汇总及解决办法（不定期更新）–created by flare zhao操作系统 建议对使用的操作系统进行更新，如果系统版本过旧，可能导致Ananconda软件安装失败Python 安装3.7版本，版本并不是越高越高，使用3.8版本在深度学习部分可能存在安装包不兼容问题Anaconda ...

学一门知识，充实自我 掌握一项工具，让生活更美好~今天flare老师教大家AI选股，轻松搭建一个年化收益40%的机器学习选股策略—by flare zhao,转载请注明出处，原创不易，谢谢支持话不多说，先看策略的最终表现：2017年12月到2019年12月期间为了让大家有个更直观的感受，我们来看看K线图及策略的净值曲线：接下来，我们再来看看策略的具体交易情况：考虑到文章篇幅限制，...

pythonPython是一种解释型的、面向对象的、移植性强的高级程序设计语言。开发者：吉多·范罗苏姆（Guide van Rossum）解释性：不需要编译成二进制代码，可以直接从源代码运行面向对象：Python既支持面向过程的编程也支持面向对象的编程可移植性：由于它的开源本质，可在不同平台进行开发高层语言：无须考虑诸如如何管理程序使用的内存一类的底层细节官网:www.python...

目标：从零部署机器学习开发环境，包括python3.7安装、anaconda安装、虚拟环境部署、jupyter notebook界面优化、简单程序运行1、python安装https://www.python.org/2、anaconda安装https://www.anaconda.com/3、虚拟环境部署为方便后续开发，使用anaconda部署新的开发环境3.1、env...

目标这次学习的目标是：机器学习之逻辑回归，并用逻辑回归实现二分类的问题。将通过三个实战项目理解和熟练掌握机器学习的逻辑回归模型逻辑回归介绍什么是逻辑回归逻辑回归是用于解决分类问题的一种模型，根据数据特征或属性，计算其归属于某一类别的概率，根据概率值判断其所属类别。主要应用的场景：二分类问题下面介绍下flare老师对逻辑回归讲解的课件逻辑回归求解求解出损失函数的最小值，即可得到最优的逻辑回归模型分类任务与回归任务的区...

目标这次学习：机器学习的线性回归模型，先了解下机器学习和线性回归的介绍，然后通过三个案例实战来进行理解和熟练掌握机器学习的线性回归模型。机器学习介绍下面大概介绍下什么是机器学习，机器学习的应用场景，机器学习的基本原理框架和机器学习的类别。什么是机器学习可以先思考下图的问题机器学习的应用场景实现机器学习的基本框架机器学习的类别回归分析介绍什么是回归分析可以先思考下图的问题线性回归...

学习内容今天主要介绍人工智能，让大家对人工智能有个很好的认识。并做好环境配置，为后面的人工智能学习做准备。关键词人工智能，监督式，非监督式，强化学习，迁移学习，机器学习，深度学习，python，anaconda，Ju peter Notebook，numpy，pandas，matplotlib。具体内容人工智能介绍什么是人工智能人工智能（Artificial Intelligence），英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新

整体思路：先获取数据，把数据分为训练数据和测试数据，然后在不同k值的模型下分别训练和测试，得出不同k值情况下的模型预测准确性，最后把准确性可视化输出进行整体评估。1.获取数据from sklearn import datasetsiris=datasets.load_iris()x=iris.datay=iris.target2.分离数据from sklearn.model_selection import train_test_splitx_train,x_test,y_t

首先获取训练的数据，参考iris数据加载from sklearn import datasetsiris = datasets.load_iris()x=iris.datay=iris.target使用k近邻算法（knn）先调用knn算法模块from sklearn.neighbors import KNeighborsClassifier创建一个模型实例，先命名为knn，先设k为3knn=KNeighborsClassifier(n_neighbors=3)让knn

调用sklearn模块里的datasetsfrom sklearn import datasetsiris=datasets.load_iris()把iris的参数数据赋值给x把iris的结果数据值赋值给yx=iris.datay=iris.target验证下x,y的数据类型print(x[0])[5.1 3.5 1.4 0.2]print(type(x))print(type(y))<class 'numpy.ndarray'><class

1 什么是类别不均衡类别不平衡（class-imbalance），也叫数据倾斜，数据不平衡，是指分类任务中不同类别的训练样例数目差别很大的情况。在现实的分类学习任务中，我们经常会遇到类别不平衡，例如广告点击率预测、故障分析、异常检测等；或者在通过拆分法解决多分类问题时，即使原始问题中不同类别的训练样例数目相当，在使用OvR（One vs. Rest）、MvM（Many vs. Many）策略后产生的二分类任务仍然可能出现类别不平衡现象。而标准机器学习算法通常假设不同类别的样本数量大致相似，所以类别不

大家好，今天给大家带来的分享是关于“深度学习中的样本不平衡问题”。深度学习算法工程师，也被戏称为“炼丹师”，而样本，就是所谓的药材。最后训练出来的模型，就是丹药。当然，药材成色好，年分足，自然更容易炼出好的丹药。难得是，在药材劣质的情况下，如何也能够保证得到一炉仙丹呢？这个就要看丹师的药材配方和炼丹技术了。今天，我们给大家介绍的样本不平衡问题，就是为了帮助丹师们解决药材不好的难题，进而来提高炼丹技术。1. 什么是样本不平衡问题？所谓的类别不平衡问题指的是数据集中各个类别的样本数量极不均衡。以二分

1.1 样本不均衡现象样本（类别）样本不平衡（class-imbalance）指的是分类任务中不同类别的训练样例数目差别很大的情况，一般地，样本类别比例（Imbalance Ratio）（多数类vs少数类）明显大于1:1（如4：1）就可以归为样本不均衡的问题。现实中，样本不平衡是一种常见的现象，如：金融欺诈交易检测，欺诈交易的订单样本通常是占总交易数量的极少部分，而且对于有些任务而言少数样本更为重要。注：本文主要探讨分类任务的类别不均衡，回归任务的样本不均衡详见《Delving into De

模型融合：通过融合多个不同的模型，可能提升机器学习的性能。这一方法在各种机器学习比赛中广泛应用， 也是在比赛的攻坚时刻冲刺Top的关键。而融合模型往往又可以从模型结果，模型自身，样本集等不同的角度进行融合。数据及背景https://tianchi.aliyun.com/competition/entrance/231784/information（阿里天池-零基础入门数据挖掘）模型融合如果你打算买一辆车，你会直接走进第一家4S店，然后在店员的推销下直接把车买了吗？大概率不会，你会先去

在机器学习的算法评估中，尤其是分类算法评估中，我们经常听到精确率(precision)与召回率(recall)，RoC曲线与PR曲线这些概念，那这些概念到底有什么用处呢？　　　　首先，我们需要搞清楚几个拗口的概念：1. TP, FP, TN, FN 　　True Positives,TP：预测为正样本，实际也为正样本的特征数 　　False Positives,FP：预测为正样本，实际为负样本的特征数 　　True Negatives,TN：预测为负样本，实际也为负样本的特征数 　

一、基本概念评价指标是针对模型性能优劣的一个定量指标。一种评价指标只能反映模型一部分性能，如果选择的评价指标不合理，那么可能会得出错误的结论，故而应该针对具体的数据、模型选取不同的的评价指标。本文将详细介绍机器学习分类任务的常用评价指标：混淆矩阵（Confuse Matrix）、准确率（Accuracy）、精确率（Precision）、召回率（Recall）、F1 Score、P-R曲线（Precision-Recall Curve）、ROC、AUC。二、混淆矩阵（Confuse Matri

在梯度提升树(GBDT)原理小结中，我们对GBDT的原理做了总结，本文我们就从scikit-learn里GBDT的类库使用方法作一个总结，主要会关注调参中的一些要点。1.scikit-learn GBDT类库概述　　　　在sacikit-learn中，GradientBoostingClassifier为GBDT的分类类， 而GradientBoostingRegressor为GBDT的回归类。两者的参数类型完全相同，当然有些参数比如损失函数loss的可选择项并不相同。这些参数中，类似于Ada...

什么是专家系统？专家系统被定义为一种交互式可靠的基于计算机的决策系统，它使用事实和启发式方法来解决复杂的决策问题。它被认为是人类智慧和专业知识的最高水平。它是一个计算机应用程序，可以解决特定域中最复杂的问题。专家系统可以解决通常需要人类专家的许多问题。它基于从专家那里获得的知识。它还能够表达和推理某些知识领域。专家系统是当今人工智能，深度学习和机器学习系统的前身。专家系统的例子以下是专家系统的示例MYCIN：它基于反向链接，可以识别可能导致急性感染的各种细菌。它还可以根据患者的体重推荐药物。.

专家系统是人工智能领域的重要研究领域之一。事实上，专家系统代表了人工智能能力的最成功的证明，它们是人工智能领域工作的第一个真正的商业应用。专家系统是模拟人类专家的思维过程来解决特定领域复杂决策问题的计算机程序。专家系统是人工智能领域的重要研究领域之一。事实上，专家系统代表了人工智能能力的最成功的证明，它们是人工智能领域工作的第一个真正的商业应用。专家系统是模拟人类专家的思维过程来解决特定领域复杂决策问题的计算机程序。什么是人工智能(artificial intelligence)？人工智

导读：大概知道特征工程，但是不清楚特征工程在实际业务中怎样应用，怎么和业务知识结合？本文将结合作者实际经历尝试回答。首先明确一下问题，“特征工程在实际业务中的应用”，也就是领域业务知识和机器学习建模的相互结合。下面会对特征工程简单介绍，并且用自己工作中实际参与的项目给大家分享在银行贷款申请反欺诈场景&零售线上APP推荐场景的机器学习建模里，业务知识是如何帮助特征工程的。01 简单介绍特征工程是什么？特征工程是工业界建模中最最最重要的一个模块。模型效果的好坏，一部分是由数据质量决定...