什么是机器学习？文献筛选”的故事：循证医学我们都知道，现在优质医学资源非常稀缺，为了缓解这个问题，国外产生了一种叫做“循证医学”的做法。以后患病了不是先去找专家，而是先去看一看文选资料，因为很可能已经有人患过，甚至已经有医生诊治过这个病，发表过论文。那么如果我们暴露里面和这个病相关的最新技术，把它汇集起来，很可能就能得到很好的解决方案。如何实现这个想法呢？第一步，我

Python代码  aDict = {'key1':'value1', 'key2':'value2', 'key3':'value3'}  print '-----------dict-------------'  for d in aDict:      print "%s:%s" %(d, aDict[d])    print '-----------item----------

一、seaborn的中文字体显示（针对windows系统,，使用ipythonnotebook）首先：解决seaborn画图有中文时的编码异常错误import seaborn as snsimport sys# printsys.getdefaultencoding()# ipythonnotebook中默认是ascii编码 relo

1、绝对路径 os.path.abspath("文件名")：显示的是一个文件的绝对路劲eg：?123456>>> importos>>> os.chdir("E:\\PycharmProjects\\odycmdb\\odycmdb")>>> os.listdir()['settings.p

看了胡江堂介绍logistic回归的文章，总觉得还是有点不理解，所以我自己也来写一下，看看到底是哪里搞不懂。解决分类问题有多种思路，包括应用支持向量机、决策树等算法。还有一种较常规的做法是采用广义线性回归中的logistic回归或probit回归。广义线性回归是探索“响应变量的期望”与“自变量”的关系，以实现对非线性关系的某种拟合。这里面涉及到一个“连接函数”和一个“误差函数”，“响应变量的期

原文：https://github.com/tesseract-ocr/tesseract/wiki/TrainingTesseract-4.00tesseract 4.0之后开始使用机器学习来进行字符识别，其训练模型的方法与以前的版本有所不同，现将其官网的手册翻译如下（未完成）一、引言Tesseract 4.0中包含了一个新的基于神经元网络的识别引

自变量维度过多会给所有数据挖掘方法带来麻烦：（1）自变量过多会导致建模算法的运行速度慢。（2）自变量的维度增加时，过度拟合的可能性也会随之增大。（3）自变量维度越多，数据在整个输入空间的分布越稀疏，越难以获得对整个输入空间有代表性的样本。例如，如果只有一个均匀分布的二分自变量，那么1000个观测意味着平均每种取值对应于500个观测；但如果有10个均匀分布的二分自变量，总共有210=1024种取值，

某些数据挖掘方法能够直接处理分类自变量，譬如第八章将介绍的决策树；但很多数据挖掘方法都只能处理数值自变量，如线性回归、神经网络等，使用这些方法时就需要把分类自变量转换为数值自变量。对于定序自变量，最常用的一种转换是按各类别的序号直接将该变量转换为数值自变量。对于名义自变量，最常用的转换是将该变量转换为哑变量。例如，对于性别而言，可以生成一个二元哑变量，取值1表示“女”，0表示“男”。对于有

数据挖掘活动主要分为无监督和有监督两大类。在无监督数据挖掘中，我们对各个变量不区别对待，而是考察它们之间的关系。这类方法有描述和可视化、关联规则分析、聚类分析、主成分分析等。在有监督数据挖掘中，我们希望建立根据一些变量来预测另一些变量的模型，前者被称为自变量，后者被称为因变量。有监督数据挖掘能从数据中获取深度细致的信息，应用非常广泛（如针对贷款企业违约率的预测、针对信用卡客户对营销活动的响应情况的

针对数据挖掘过程中直接与数据相关的部分，SAS公司提出了SEMMA方法论，将数据挖掘的核心过程分为抽样（Sample）、探索（Explore）、修整（Modify）、建模（Model）、评估（Assess）几个阶段。1.数据抽样数据抽样就是从数据集中抽取具有代表性的样本，样本应该大到不丢失重要的信息，小到能够便于操作。2.探索使用可视化方法或主成分分析、因子分析、聚类等统计方法对数