51dev.com IT技术开发者社区

51dev.com 技术开发者社区

【机器学习实验】使用朴素贝叶斯进行文本的分类

【机器学习实验】使用朴素贝叶斯进行文本的分类

 时间:2015-05-0323:41:39    阅读:2251    评论:0    收藏:0    [点我收藏+]标签:机器学习实验朴素贝叶斯由...

共有11款Python 中文分词库开源软件

共有11款Python 中文分词库开源软件

件过滤:排序:收录时间 | 浏览数Python中文分词库Yaha"哑哈"中文分词,更快或更准确,由你来定义。通过简单定制,让分词模块更适用于你的需求。"Yaha"YoucancustomyourChineseWordSegmentationefficientlybyusingYaha基本功能:精确模...

可定制的分词库——Yaha(哑哈)分词

可定制的分词库——Yaha(哑哈)分词

可定制的分词库——Yaha(哑哈)分词在线测试地址:http://yaha.v-find.com/部署于GAEyahademo.appspot.comYaha分词主要特点是把分词过程分成了4个阶段,每个阶段都可以让用户加入自己的一些定制,以面向不同的用户需求。这是一个最简单真白的示例:#-*-c...

numpy.ones_like(a, dtype=None, order='K', subok=True)返回和原矩阵一样形状的1矩阵

numpy.ones_like(a, dtype=None, order='K', subok=True)返回和原矩阵一样形状的1矩阵

Returnanarrayofoneswiththesameshapeandtypeasagivenarray.Parameters:a :array_likeTheshapeanddata-typeof a definethesesameattributesofthereturnedar...

numpy.ones(shape, dtype=None, order='C')

numpy.ones(shape, dtype=None, order='C')

 Returnanewarrayofgivenshapeandtype,filledwithones.Parameters:shape :intorsequenceofintsShapeofthenewarray,e.g., (2, 3) or 2.dtype...

numpy.zeros(shape, dtype=float, order='C')

numpy.zeros(shape, dtype=float, order='C')

Returnanewarrayofgivenshapeandtype,filledwithzeros.Parameters:shape :intorsequenceofintsShapeofthenewarray,e.g., (2, 3) or 2.dtype ...

备忘录

备忘录

一、数组方法创建数组:arange()创建一维数组;array()创建一维或多维数组,其参数是类似于数组的对象,如列表等创建数组:np.zeros((2,3)),或者np.ones((2,3)),参数是一个元组分别表示行数和列数对应元素相乘,a*b,得到一个新的矩阵数学上定义的矩阵乘法np.dot(a,b)。如果形状不...

关于决策平面

关于决策平面

>>[x,y]=meshgrid(-1:0.1:2,-1:0.1:2);>>z=-x-1.5*y+2;>>surf(x,y,z)现在有:x=0.7;y=0.9求出:z=-0.05在书中,如果Z<=0,则结果预测为成年猫。因此决策平面应该整体向上移动0.05,所有在决策平面及决策...

关于surf显示立体图,可视化分析数据

关于surf显示立体图,可视化分析数据

如果想判断一个点(x,y)对应的ZV值是否在平面上方、平面上、平面下方,只要将(x,y)带入方程,得到z。如果ZV大于>Z,则在平面上方;如果ZV<Z,则在方面下方;若ZV=Z,则在平面上。 clearall[x,y]=meshgrid(linspace(-15,15));%设定xy范围z=sin...

关于使用sklearn进行数据预处理 —— 归一化/标准化/正则化

关于使用sklearn进行数据预处理 —— 归一化/标准化/正则化

公式为:(X-mean)/std 计算时对每个属性/每列分别进行。将数据按期属性(按列进行)减去其均值,并处以其方差。得到的结果是,对于每个属性/每列来说所有数据都聚集在0附近,方差为1。实现时,有两种不同的方式:使用sklearn.preprocessing.scale()函数,可以直接将给定数据进行标准化...

关于 sklearn.decomposition.KernelPCA的简单介绍

关于 sklearn.decomposition.KernelPCA的简单介绍

fromsklearnimportdecompositionimportnumpyasnpA1_mean=[1,1]A1_cov=[[2,.99],[1,1]]A1=np.random.multivariate_normal(A1_mean,A1_cov,50)A2_mean=[5,5]A2_cov=[[2,.99],...

numpy.mean和numpy.random.multivariate_normal(依据均值和协方差生成数据,提醒:计算协方差别忘了转置)

numpy.mean和numpy.random.multivariate_normal(依据均值和协方差生成数据,提醒:计算协方差别忘了转置)

>>importnumpyasnp>>>A1_mean=[1,1]>>>A1_cov=[[2,.99],[1,1]]>>>A1=np.random.multivariate_normal(A1_mean,A1_cov,10)#依据指定的均值和协方差生成数...

没办法,SVD就讲的这么好

没办法,SVD就讲的这么好

2)奇异值:   下面谈谈奇异值分解。特征值分解是一个提取矩阵特征很不错的方法,但是它只是对方阵而言的,在现实的世界中,我们看到的大部分矩阵都不是方阵,比如说有N个学生,每个学生有M科成绩,这样形成的一个N*M的矩阵就不可能是方阵,我们怎样才能描述这样普通的矩阵呢的重要特征呢?奇异值分解可...

SVD实例

SVD实例

>>X=rand(5,7)X=0.97970.13650.66140.58280.22590.20910.56780.27140.01180.28440.42350.57980.37980.79420.25230.89390.46920.51550.76040.78330.05920.87570.19910...

奇异值分解(SVD)实例,将不重要的特征值改为0,原X基本保持不变

奇异值分解(SVD)实例,将不重要的特征值改为0,原X基本保持不变

>>s=rand(5,7)s=0.4186 0.8381 0.50280.19340.69790.49660.66020.8462 0.0196 0.70950.68220.37840.89980.34200.5252 0.6813 0.42890...