机器学习基础之《特征工程（1）—数据集》

一、数据集

1、目标
知道数据集分为训练集和测试集
会使用sklearn的数据集

2、可用数据集
公司内部，比如百度、微博
数据接口，花钱
政府拥有的数据集

3、在学习阶段用到的数据集
scikit-learn特点：
（1）数据量较小
（2）方便学习

UCI特点：
（1）收录了360个数据集
（2）覆盖科学、生活、经济等领域
（3）数据量几十万

kaggle特点：
（1）大数据竞赛平台
（2）80万科学家
（3）真实数据
（4）数据量巨大

4、网址
kaggle网址：https://www.kaggle.com/datasets
UCI网址：http://archive.ics.uci.edu/ml
scikit-learn网址：http://scikit-learn.org/stable/datasets

5、scikit-learn工具介绍
Machine Learning with Scikit-Learn
（1）python语言的机器学习工具
（2）scikit-learn包含许多知名的机器学习算法的实现
（3）scikit-learn文档完善，容易上手，丰富的API

6、安装scikit-learn

yum install python3 python3-pip ipython
pip3 install -U scikit-learn

7、验证安装

$ python3 -m pip show scikit-learnName: scikit-learn
Version: 0.24.2
Summary: A set of python modules for machine learning and data mining
Home-page: http://scikit-learn.org
Author: None
Author-email: None
License: new BSD
Location: /usr/local/lib64/python3.6/site-packages
Requires: joblib, scipy, numpy, threadpoolctl$ python3 -m pip freezejoblib==1.1.1
numpy==1.19.5
scikit-learn==0.24.2
scipy==1.5.4
threadpoolctl==3.1.0$ python3 -c "import sklearn; sklearn.show_versions()"System:python: 3.6.8 (default, Jun 20 2023, 11:53:23)  [GCC 4.8.5 20150623 (Red Hat 4.8.5-44)]
executable: /usr/bin/python3machine: Linux-3.10.0-1160.92.1.el7.x86_64-x86_64-with-centos-7.9.2009-CorePython dependencies:pip: 9.0.3setuptools: 39.2.0sklearn: 0.24.2numpy: 1.19.5scipy: 1.5.4Cython: Nonepandas: Nonematplotlib: Nonejoblib: 1.1.1
threadpoolctl: 3.1.0Built with OpenMP: True

8、scikit-learn包含的内容

（1）分类、聚类、回归
（2）特征工程
（3）模型选择、调优

二、sklearn数据集

1、scikit-learn数据集API介绍
（1）sklearn.datasets
  加载获取流行数据集
    datasets.load_*()
    获取小规模数据集，数据包含在datasets里
    datasets.fetch_*(data_home=None)
    获取大规模数据集，需要从网上下载，函数的第一个参数是data_home，表示数据集下载的目录，默认是~/scikit_learn_data/

2、sklearn小数据集
（1）sklearn.datasets.load_iris()
加载并返回鸢尾花数据集

名称数量
类别3
特征4
样本数量150
每个类别数量50

（2）sklearn.datasets.load_boston()
加载并返回波士顿房价数据集

名称数量
目标类别5-50
特征13
样本数量506

3、sklearn大数据集
（1）sklearn.datasets.fetch_20newsgroups(data_home=None,subset='train')
subset：'train'或者'test'，'all'，可选，选择要加载的数据集
训练集的"训练"，测试集的"测试"，两者的"全部"

4、sklearn数据集的使用
（1）以鸢尾花数据集为例

鸢尾花数据集
特征值--4个：花瓣、花瓣的长度、宽度
目标值--3个：setosa，vericolor，virginica

（2）sklearn数据集返回值介绍
load和fetch返回的数据类型datasets.base.Bunch(字典格式)
data：特征数据数组，是 [n_samples * n_features] 的二维numpy.ndarray数组
target：标签数据，是n_samples的一维numpy.ndarray数组
DESCR：数据描述
feature_names：特证名。新闻数据、手写数字、回归数据集没有
target_names：标签名

（3）建立文件day01_machine_learning.py

from sklearn.datasets import load_irisdef datasets_demo():"""sklearn数据集使用"""#获取数据集iris = load_iris()print("鸢尾花数据集：\n", iris)print("查看数据集描述：\n", iris["DESCR"])print("查看特征值的名字：\n", iris.feature_names)print("查看特征值几行几列：\n", iris.data.shape)return Noneif __name__ == "__main__":# 代码1：sklearn数据集使用datasets_demo()

运行：python3 day01_machine_learning.py

鸢尾花数据集：{'data': array([[5.1, 3.5, 1.4, 0.2],[4.9, 3. , 1.4, 0.2],[4.7, 3.2, 1.3, 0.2],[4.6, 3.1, 1.5, 0.2],[5. , 3.6, 1.4, 0.2],[5.4, 3.9, 1.7, 0.4],[4.6, 3.4, 1.4, 0.3],[5. , 3.4, 1.5, 0.2],[4.4, 2.9, 1.4, 0.2],[4.9, 3.1, 1.5, 0.1],[5.4, 3.7, 1.5, 0.2],[4.8, 3.4, 1.6, 0.2],[4.8, 3. , 1.4, 0.1],[4.3, 3. , 1.1, 0.1],[5.8, 4. , 1.2, 0.2],[5.7, 4.4, 1.5, 0.4],[5.4, 3.9, 1.3, 0.4],[5.1, 3.5, 1.4, 0.3],[5.7, 3.8, 1.7, 0.3],[5.1, 3.8, 1.5, 0.3],[5.4, 3.4, 1.7, 0.2],[5.1, 3.7, 1.5, 0.4],[4.6, 3.6, 1. , 0.2],[5.1, 3.3, 1.7, 0.5],[4.8, 3.4, 1.9, 0.2],[5. , 3. , 1.6, 0.2],[5. , 3.4, 1.6, 0.4],[5.2, 3.5, 1.5, 0.2],[5.2, 3.4, 1.4, 0.2],[4.7, 3.2, 1.6, 0.2],[4.8, 3.1, 1.6, 0.2],[5.4, 3.4, 1.5, 0.4],[5.2, 4.1, 1.5, 0.1],[5.5, 4.2, 1.4, 0.2],[4.9, 3.1, 1.5, 0.2],[5. , 3.2, 1.2, 0.2],[5.5, 3.5, 1.3, 0.2],[4.9, 3.6, 1.4, 0.1],[4.4, 3. , 1.3, 0.2],[5.1, 3.4, 1.5, 0.2],[5. , 3.5, 1.3, 0.3],[4.5, 2.3, 1.3, 0.3],[4.4, 3.2, 1.3, 0.2],[5. , 3.5, 1.6, 0.6],[5.1, 3.8, 1.9, 0.4],[4.8, 3. , 1.4, 0.3],[5.1, 3.8, 1.6, 0.2],[4.6, 3.2, 1.4, 0.2],[5.3, 3.7, 1.5, 0.2],[5. , 3.3, 1.4, 0.2],[7. , 3.2, 4.7, 1.4],[6.4, 3.2, 4.5, 1.5],[6.9, 3.1, 4.9, 1.5],[5.5, 2.3, 4. , 1.3],[6.5, 2.8, 4.6, 1.5],[5.7, 2.8, 4.5, 1.3],[6.3, 3.3, 4.7, 1.6],[4.9, 2.4, 3.3, 1. ],[6.6, 2.9, 4.6, 1.3],[5.2, 2.7, 3.9, 1.4],[5. , 2. , 3.5, 1. ],[5.9, 3. , 4.2, 1.5],[6. , 2.2, 4. , 1. ],[6.1, 2.9, 4.7, 1.4],[5.6, 2.9, 3.6, 1.3],[6.7, 3.1, 4.4, 1.4],[5.6, 3. , 4.5, 1.5],[5.8, 2.7, 4.1, 1. ],[6.2, 2.2, 4.5, 1.5],[5.6, 2.5, 3.9, 1.1],[5.9, 3.2, 4.8, 1.8],[6.1, 2.8, 4. , 1.3],[6.3, 2.5, 4.9, 1.5],[6.1, 2.8, 4.7, 1.2],[6.4, 2.9, 4.3, 1.3],[6.6, 3. , 4.4, 1.4],[6.8, 2.8, 4.8, 1.4],[6.7, 3. , 5. , 1.7],[6. , 2.9, 4.5, 1.5],[5.7, 2.6, 3.5, 1. ],[5.5, 2.4, 3.8, 1.1],[5.5, 2.4, 3.7, 1. ],[5.8, 2.7, 3.9, 1.2],[6. , 2.7, 5.1, 1.6],[5.4, 3. , 4.5, 1.5],[6. , 3.4, 4.5, 1.6],[6.7, 3.1, 4.7, 1.5],[6.3, 2.3, 4.4, 1.3],[5.6, 3. , 4.1, 1.3],[5.5, 2.5, 4. , 1.3],[5.5, 2.6, 4.4, 1.2],[6.1, 3. , 4.6, 1.4],[5.8, 2.6, 4. , 1.2],[5. , 2.3, 3.3, 1. ],[5.6, 2.7, 4.2, 1.3],[5.7, 3. , 4.2, 1.2],[5.7, 2.9, 4.2, 1.3],[6.2, 2.9, 4.3, 1.3],[5.1, 2.5, 3. , 1.1],[5.7, 2.8, 4.1, 1.3],[6.3, 3.3, 6. , 2.5],[5.8, 2.7, 5.1, 1.9],[7.1, 3. , 5.9, 2.1],[6.3, 2.9, 5.6, 1.8],[6.5, 3. , 5.8, 2.2],[7.6, 3. , 6.6, 2.1],[4.9, 2.5, 4.5, 1.7],[7.3, 2.9, 6.3, 1.8],[6.7, 2.5, 5.8, 1.8],[7.2, 3.6, 6.1, 2.5],[6.5, 3.2, 5.1, 2. ],[6.4, 2.7, 5.3, 1.9],[6.8, 3. , 5.5, 2.1],[5.7, 2.5, 5. , 2. ],[5.8, 2.8, 5.1, 2.4],[6.4, 3.2, 5.3, 2.3],[6.5, 3. , 5.5, 1.8],[7.7, 3.8, 6.7, 2.2],[7.7, 2.6, 6.9, 2.3],[6. , 2.2, 5. , 1.5],[6.9, 3.2, 5.7, 2.3],[5.6, 2.8, 4.9, 2. ],[7.7, 2.8, 6.7, 2. ],[6.3, 2.7, 4.9, 1.8],[6.7, 3.3, 5.7, 2.1],[7.2, 3.2, 6. , 1.8],[6.2, 2.8, 4.8, 1.8],[6.1, 3. , 4.9, 1.8],[6.4, 2.8, 5.6, 2.1],[7.2, 3. , 5.8, 1.6],[7.4, 2.8, 6.1, 1.9],[7.9, 3.8, 6.4, 2. ],[6.4, 2.8, 5.6, 2.2],[6.3, 2.8, 5.1, 1.5],[6.1, 2.6, 5.6, 1.4],[7.7, 3. , 6.1, 2.3],[6.3, 3.4, 5.6, 2.4],[6.4, 3.1, 5.5, 1.8],[6. , 3. , 4.8, 1.8],[6.9, 3.1, 5.4, 2.1],[6.7, 3.1, 5.6, 2.4],[6.9, 3.1, 5.1, 2.3],[5.8, 2.7, 5.1, 1.9],[6.8, 3.2, 5.9, 2.3],[6.7, 3.3, 5.7, 2.5],[6.7, 3. , 5.2, 2.3],[6.3, 2.5, 5. , 1.9],[6.5, 3. , 5.2, 2. ],[6.2, 3.4, 5.4, 2.3],[5.9, 3. , 5.1, 1.8]]), 'target': array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2,2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2,2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2]), 'frame': None, 'target_names': array(['setosa', 'versicolor', 'virginica'], dtype='<U10'), 'DESCR': '.. _iris_dataset:\n\nIris plants dataset\n--------------------\n\n**Data Set Characteristics:**\n\n    :Number of Instances: 150 (50 in each of three classes)\n    :Number of Attributes: 4 numeric, predictive attributes and the class\n    :Attribute Information:\n        - sepal length in cm\n        - sepal width in cm\n        - petal length in cm\n        - petal width in cm\n        - class:\n                - Iris-Setosa\n                - Iris-Versicolour\n                - Iris-Virginica\n                \n    :Summary Statistics:\n\n    ============== ==== ==== ======= ===== ====================\n                    Min  Max   Mean    SD   Class Correlation\n    ============== ==== ==== ======= ===== ====================\n    sepal length:   4.3  7.9   5.84   0.83    0.7826\n    sepal width:    2.0  4.4   3.05   0.43   -0.4194\n    petal length:   1.0  6.9   3.76   1.76    0.9490  (high!)\n    petal width:    0.1  2.5   1.20   0.76    0.9565  (high!)\n    ============== ==== ==== ======= ===== ====================\n\n    :Missing Attribute Values: None\n    :Class Distribution: 33.3% for each of 3 classes.\n    :Creator: R.A. Fisher\n    :Donor: Michael Marshall (MARSHALL%PLU@io.arc.nasa.gov)\n    :Date: July, 1988\n\nThe famous Iris database, first used by Sir R.A. Fisher. The dataset is taken\nfrom Fisher\'s paper. Note that it\'s the same as in R, but not as in the UCI\nMachine Learning Repository, which has two wrong data points.\n\nThis is perhaps the best known database to be found in the\npattern recognition literature.  Fisher\'s paper is a classic in the field and\nis referenced frequently to this day.  (See Duda & Hart, for example.)  The\ndata set contains 3 classes of 50 instances each, where each class refers to a\ntype of iris plant.  One class is linearly separable from the other 2; the\nlatter are NOT linearly separable from each other.\n\n.. topic:: References\n\n   - Fisher, R.A. "The use of multiple measurements in taxonomic problems"\n     Annual Eugenics, 7, Part II, 179-188 (1936); also in "Contributions to\n     Mathematical Statistics" (John Wiley, NY, 1950).\n   - Duda, R.O., & Hart, P.E. (1973) Pattern Classification and Scene Analysis.\n     (Q327.D83) John Wiley & Sons.  ISBN 0-471-22361-1.  See page 218.\n   - Dasarathy, B.V. (1980) "Nosing Around the Neighborhood: A New System\n     Structure and Classification Rule for Recognition in Partially Exposed\n     Environments".  IEEE Transactions on Pattern Analysis and Machine\n     Intelligence, Vol. PAMI-2, No. 1, 67-71.\n   - Gates, G.W. (1972) "The Reduced Nearest Neighbor Rule".  IEEE Transactions\n     on Information Theory, May 1972, 431-433.\n   - See also: 1988 MLC Proceedings, 54-64.  Cheeseman et al"s AUTOCLASS II\n     conceptual clustering system finds 3 classes in the data.\n   - Many, many more ...', 'feature_names': ['sepal length (cm)', 'sepal width (cm)', 'petal length (cm)', 'petal width (cm)'], 'filename': '/usr/local/lib64/python3.6/site-packages/sklearn/datasets/data/iris.csv'}

5、思考：拿到的数据是否要全部用来训练一个模型呢？
并不是全部用来训练，要留一小部分用来验证我们的模型好不好，一般8成训练2成测试

三、数据集的划分

1、机器学习一般的数据集会划分为两个部分
（1）训练数据：用于训练，构建模型
（2）测试数据：在模型检验时使用，用于评估模型是否有效

2、划分比例
（1）训练集：70%、80%、75%
（2）测试集：30%、20%、25%

3、数据集划分api
（1）sklearn.model_selection.train_test_split(arrays, *options)
以下是arrays的参数：
x：数据集的特征值
y：数据集的标签值

以下是options的参数：
test_size：测试集的大小，一般为float
random_state：划分数据集时用的随机数种子，不同的种子会造成不同的随机采样结果。相同的种子采样结果相同
在需要设置random_state的地方给其赋一个值，当多次运行此段代码能够得到完全一样的结果，别人运行此代码也可以复现你的过程。若不设置此参数则会随机选择一个种子，执行结果也会因此而不同了

（2）返回值的顺序
return：训练集特征值，测试集特征值，训练集目标值，测试集目标值
所以定义返回值为x_train, x_test, y_train, y_test

4、修改day01_machine_learning.py

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_splitdef datasets_demo():"""sklearn数据集使用"""#获取数据集iris = load_iris()print("鸢尾花数据集：\n", iris)print("查看数据集描述：\n", iris["DESCR"])print("查看特征值的名字：\n", iris.feature_names)print("查看特征值几行几列：\n", iris.data.shape)#数据集的划分x_train, x_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.2, random_state=22)print("训练集的特征值：\n", x_train, x_train.shape)return Noneif __name__ == "__main__":# 代码1：sklearn数据集使用datasets_demo()

运行结果：（上面的部分内容省略）

训练集的特征值：[[4.8 3.1 1.6 0.2][5.4 3.4 1.5 0.4][5.5 2.5 4.  1.3][5.5 2.6 4.4 1.2][5.7 2.8 4.5 1.3][5.  3.4 1.6 0.4][5.1 3.4 1.5 0.2][4.9 3.6 1.4 0.1][6.9 3.1 5.4 2.1][6.7 2.5 5.8 1.8][7.  3.2 4.7 1.4][6.3 3.3 4.7 1.6][5.4 3.9 1.3 0.4][4.4 3.2 1.3 0.2][6.7 3.  5.  1.7][5.6 3.  4.1 1.3][5.7 2.5 5.  2. ][6.5 3.  5.8 2.2][5.  3.6 1.4 0.2][6.1 2.8 4.  1.3][6.  3.4 4.5 1.6][6.7 3.  5.2 2.3][5.7 4.4 1.5 0.4][5.4 3.4 1.7 0.2][5.  3.5 1.3 0.3][4.8 3.  1.4 0.1][5.5 4.2 1.4 0.2][4.6 3.6 1.  0.2][7.2 3.2 6.  1.8][5.1 2.5 3.  1.1][6.4 3.2 4.5 1.5][7.3 2.9 6.3 1.8][4.5 2.3 1.3 0.3][5.  3.  1.6 0.2][5.7 3.8 1.7 0.3][5.  3.3 1.4 0.2][6.2 2.2 4.5 1.5][5.1 3.5 1.4 0.2][6.4 2.9 4.3 1.3][4.9 2.4 3.3 1. ][6.3 2.5 4.9 1.5][6.1 2.8 4.7 1.2][5.9 3.2 4.8 1.8][5.4 3.9 1.7 0.4][6.  2.2 4.  1. ][6.4 2.8 5.6 2.1][4.8 3.4 1.9 0.2][6.4 3.1 5.5 1.8][5.9 3.  4.2 1.5][6.5 3.  5.5 1.8][6.  2.9 4.5 1.5][5.5 2.4 3.8 1.1][6.2 2.9 4.3 1.3][5.2 4.1 1.5 0.1][5.2 3.4 1.4 0.2][7.7 2.6 6.9 2.3][5.7 2.6 3.5 1. ][4.6 3.4 1.4 0.3][5.8 2.7 4.1 1. ][5.8 2.7 3.9 1.2][6.2 3.4 5.4 2.3][5.9 3.  5.1 1.8][4.6 3.1 1.5 0.2][5.8 2.8 5.1 2.4][5.1 3.5 1.4 0.3][6.8 3.2 5.9 2.3][4.9 3.1 1.5 0.1][5.5 2.3 4.  1.3][5.1 3.7 1.5 0.4][5.8 2.7 5.1 1.9][6.7 3.1 4.4 1.4][6.8 3.  5.5 2.1][5.2 2.7 3.9 1.4][6.7 3.1 5.6 2.4][5.3 3.7 1.5 0.2][5.  2.  3.5 1. ][6.6 2.9 4.6 1.3][6.  2.7 5.1 1.6][6.3 2.3 4.4 1.3][7.7 3.  6.1 2.3][4.9 3.  1.4 0.2][4.6 3.2 1.4 0.2][6.3 2.7 4.9 1.8][6.6 3.  4.4 1.4][6.9 3.1 4.9 1.5][4.3 3.  1.1 0.1][5.6 2.7 4.2 1.3][4.8 3.4 1.6 0.2][7.6 3.  6.6 2.1][7.7 2.8 6.7 2. ][4.9 2.5 4.5 1.7][6.5 3.2 5.1 2. ][5.1 3.3 1.7 0.5][6.3 2.9 5.6 1.8][6.1 2.6 5.6 1.4][5.  3.4 1.5 0.2][6.1 3.  4.6 1.4][5.6 3.  4.5 1.5][5.1 3.8 1.5 0.3][5.6 2.8 4.9 2. ][4.4 3.  1.3 0.2][5.5 2.4 3.7 1. ][4.7 3.2 1.6 0.2][6.7 3.3 5.7 2.5][5.2 3.5 1.5 0.2][6.4 2.7 5.3 1.9][6.3 2.8 5.1 1.5][4.4 2.9 1.4 0.2][6.1 3.  4.9 1.8][4.9 3.1 1.5 0.2][5.  2.3 3.3 1. ][4.8 3.  1.4 0.3][5.8 4.  1.2 0.2][6.3 3.4 5.6 2.4][5.4 3.  4.5 1.5][7.1 3.  5.9 2.1][6.3 3.3 6.  2.5][5.1 3.8 1.9 0.4][6.4 2.8 5.6 2.2][7.7 3.8 6.7 2.2]] (120, 4)

因为test_size=0.2就是说测试集20%，训练集80%，样本一共150，所以训练集150*0.8=120

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.hqwc.cn/news/13839.html

如若内容造成侵权/违法违规/事实不符，请联系编程知识网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

创建数据库Market、Team，按要求完成指定操作

创建数据库Market、Team，按要求完成指定操作

创建数据库Market&#xff0c;在Market中创建数据表customers&#xff0c;customers表结构如表4.6所示&#xff0c;按要求进行操作。 代码如下&#xff1a; #(1&#xff09;创建数据库Market mysql> create database Market; Query OK, 1 row affected (0.00 sec)mysql>…
阅读更多...
瓴羊QuickBI数据门户帮助企业高效管理和展示数据，使其更加明确易懂

瓴羊QuickBI数据门户帮助企业高效管理和展示数据，使其更加明确易懂

随着信息技术时代的到来&#xff0c;越来越多的企业意识到商业信息是其最宝贵的资产之一。对于获取商业信息&#xff0c;需要专业的数据分析。因此&#xff0c;商业智能BI工具&#xff0c;如瓴羊QuickBI已经成为企业信息化中必不可少的工具。它拥有卓越的数据管理和展示功能&am…
阅读更多...
【STM32智能车】小车状态

【STM32智能车】小车状态

【STM32智能车】小车状态 搭建智能车 65MM轮径小车所选材料安装说明直行测试智能车可能存在的状态 智能车功能丰富&#xff0c;我们从最基础的开始&#xff0c;先来搭建一个智能车吧~。 搭建智能车 我们之前用了一个测试板子去学习调试电机&#xff0c;是时候拼装一个简单的车来…
阅读更多...
学校公寓管理系统/基于微信小程序的学校公寓管理系统

学校公寓管理系统/基于微信小程序的学校公寓管理系统

摘 要 社会的发展和科学技术的进步&#xff0c;互联网技术越来越受欢迎。手机也逐渐受到广大人民群众的喜爱&#xff0c;也逐渐进入了每个学生的使用。手机具有便利性&#xff0c;速度快&#xff0c;效率高&#xff0c;成本低等优点。 因此&#xff0c;构建符合自己要求的操作…
阅读更多...
优化器学习

优化器学习

提示&#xff1a;文章写完后&#xff0c;目录可以自动生成&#xff0c;如何生成可参考右边的帮助文档 文章目录 前言一、SGD&#xff08;随机梯度下降算法&#xff09;二、Momentum三、AdaGrad四、Adam算法 前言 最优化是应用数学的一个分支&#xff0c;主要研究在特地情况下函…
阅读更多...
不同路径（力扣）动态规划 JAVA

不同路径（力扣）动态规划 JAVA

一个机器人位于一个 m x n 网格的左上角 &#xff08;起始点在下图中标记为 “Start” &#xff09;。 机器人每次只能向下或者向右移动一步。机器人试图达到网格的右下角&#xff08;在下图中标记为 “Finish” &#xff09;。 问总共有多少条不同的路径&#xff1f; 示例 1&a…
阅读更多...
【Git原理与使用】-- 企业级开发模型

【Git原理与使用】-- 企业级开发模型

目录 引入 系统开发环境 Git 分支设计规范 master 分支 release 分支 develop 分支 feature 分支 hotfix 分支 开发场景 - 基于git flow模型的实践 DevOps研发平台 修复测试环境 Bug 修改预发布环境 Bug 修改正式环境 Bug 紧急修复正式环境 Bug 拓展实践 都说&a…
阅读更多...
基于matlab评估单相机校准的准确性（附源码）

基于matlab评估单相机校准的准确性（附源码）

一、前言 相机校准是使用特殊校准模式的图像估计相机参数的过程。参数包括相机内在系数、失真系数和相机外在系数。校准相机后&#xff0c;有几种方法可以评估估计参数的准确性&#xff1a; 绘制相机的相对位置和校准模式 计算重投影误差 计算参数估计误差 二、校准相机 …
阅读更多...
2023.7.08

2023.7.08

#include "widget.h"void Widget::my_slot() {if((edit1->text()"admin")&&(edit2->text()"123456")){qDebug()<<"登陆成功";emit jump();close();}else{qDebug()<<"登陆失败";} }void Widget::b…
阅读更多...
Mysql之视图，索引及数据的备份与恢复

Mysql之视图，索引及数据的备份与恢复

目录 一、视图 1.视图是什么 2.视图与数据表的区别 3.视图的优缺点 优点&#xff1a; 缺点&#xff1a; 4.视图的应用场景 5.语法运用 二、索引 1.什么是索引 2.为什么要使用索引 3.使用索引的优缺点 4.何时不使用索引 5.索引何时失效 6.索引分类 三、数据的备份…
阅读更多...
微信小程序做登录密码显示隐藏效果

微信小程序做登录密码显示隐藏效果

wxml 注意&#xff1a;在html中的input是通过切换type的属性值来实现隐藏显示的 在微信小程序的input里面type没有password属性 是通过password属性的true或者false来设置是否为密码框 <view class"input-item"><text class"tit">密码</…
阅读更多...
经典图像识别卷积神经网络总结记录

经典图像识别卷积神经网络总结记录

这篇博文主要是延续前文系列的总结记录&#xff0c;这里主要是总结汇总日常主流的图像识别模型相关知识内容。 下面对上述列出的卷积神经网络模型进行逐个详细介绍、算法原理分析以及优缺点总结&#xff1a; (1)LeNet-5 算法原理&#xff1a; LeNet-5是最早应用于手写数字识别…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023