机器学习之NLP常见函数整理一、nltk包函数1.1 词干提取1.2 词形还原一、nltk包函数1.1 词干提取当遇到两个或两个以上单词具有共同根源的情况。 例如，agreed, agreeing 和 agreeable这三个词具有相同的词根。 涉及任何这些词的搜索应该把它们当作是根词的同一个词。所以需要进行词干提取。在NLTK库中有一些方法来完成这个链接，并给出显示根词的输出。 以下程序使用Po

机器学习之聚类算法一、K-Means聚类及其优化算法1.1 传统K-Means聚类算法1.1.1 原理1.1.2 代码实现一、K-Means聚类及其优化算法1.1 传统K-Means聚类算法1.1.1 原理算法流程输入：样本集合D=x1,x2,...,xnD={x_1, x_2, ..., x_n}D=x1​,x2​,...,xn​，聚类簇数kkk， 最大迭代次数NNN；输出：簇划分C=C1,C2

卷积神经网络识别FashionMNIST之pytorch一、导入需要的包二、图像数据准备三、卷积神经网络搭建四、卷积神经网络训练与预测一、导入需要的包对于moduleNotFoundError: No module named ‘pandas’等情况发生时，需要在Anaconda Prompt下进入pytorch（activate pytorch）环境，然后conda install pandas

自然语言处理之LSTM一级目录二级目录三级目录一级目录二级目录三级目录

机器学习之二分类模型评价指标一、二分类模型衡量指标1.1 混淆矩阵：Confusion matrix1.2 精确度：Accuracy1.3 准确率：Precision1.4 召回率：Recall一、二分类模型衡量指标1.1 混淆矩阵：Confusion matrixP（Positive） ：代表1N（Negative） ：代表0T（True） ：代表预测正确F（False） ：代表预测错误1.2

集成学习之树模型一级目录二级目录三级目录本文主要介绍GBDT、XGBoost、LightGBM和CatBoost为代表的Boosting算法原理、使用方法和调参方式进行介绍。一级目录二级目录三级目录

机器学习之LSI：文本主题模型之潜在语义分析（LSI）一、潜在语义分析（LSI）概述二、LSI简单示例概述三、LSI主题模型总结四、代码实现一、潜在语义分析（LSI）概述潜在语义索引(Latent Semantic Indexing，以下简称LSI)，也可以称为Latent SemanticAnalysis（LSA）。LSI是一种简单实用的主题模型。LSI是基于奇异值分解（SVD）的方法得到本文的

集成学习之树模型一级目录二级目录三级目录本文主要介绍GBDT、XGBoost、LightGBM和CatBoost为代表的Boosting算法原理、使用方法和调参方式进行介绍。一级目录二级目录三级目录

pytorch实现：对预训练好的卷积网络微调一、导入所需的包二、微调预训练的VGG16网络三、准备新网络需要的数据四、微调网络的训练和预测由于卷积神经网络层数多，训练参数较多，导致从0开始训练很深的卷积网络非常困难，所以我们可以对预训练好的模型参数进行微调，快速实现自己的任务。pytorch提供ImageNet数据集与预训练好的流行的深度学习网络。本文使用VGG16网络，对网络结构和参数进行微调。

机器学习之二分类模型评价指标一、二分类模型衡量指标1.1 混淆矩阵：Confusion matrix1.2 精确度：Accuracy1.3 准确率：Precision1.4 召回率：Recall一、二分类模型衡量指标1.1 混淆矩阵：Confusion matrixP（Positive） ：代表1N（Negative） ：代表0T（True） ：代表预测正确F（False） ：代表预测错误1.2