![](../../asset/images/user/BgImg_default.jpg)
简介
该用户还未填写简介
擅长的技术栈
可提供的服务
暂无可提供的服务
1.决策树的介绍决策树(decision tree)是一种基本的分类与回归的方法,作为最基础、最常见的有监督学习模型,常被用于解决分类回归问题。本文主要讨论用于分类的决策树。决策树的核心思想是基于树结构对数据进行划分,这种思想是人类处理问题时的本能方法。比如:你母亲要给你介绍男朋友,是这么来对话的:女儿:多大年纪了?母亲:26。女儿:长的帅不帅?母亲:挺帅的。女儿:收入高不?母亲:不算很高,中等
1)逻辑回归即为数据服从伯努利分布,通过极大似然函数的方法,运用梯度下降法求解参数,来达到二分类的目的。2)逻辑回归是一个分类模型,解决分类问题(类别+概率),可以做ranking model。
![文章图片](https://img-blog.csdnimg.cn/425b24bdd05d4c08a58ca05155f38de5.png)
*强化学习(Reinforcement Learning,RL)**是机器学习中的一个领域,是学习“做什么(即如何把当前的情景映射成动作)才能使得数值化的收益信号最大化”。学习者不会被告知应该采取什么动作,而是必须自己通过尝试去发现哪些动作会产生最丰厚的收益。强化学习同机器学习领域中的有监督学习和无监督学习不同,有监督学习是从外部监督者提供的带标注训练集中进行学习(任务驱动型),无监督学习是一个典
![文章图片](https://img-blog.csdnimg.cn/ce644d8697ac417da191137eee2f76f7.png)
1.官网语法pandas.read_csv(filepath_or_buffer, sep=NoDefault.no_default**,** delimiter=None**,** header='infer’, names=NoDefault.no_default**,** index_col=None**,** usecols=None**,** squeeze=False**,** pre
Jupyter Notebook是基于网页的用于交互计算的应用程序。其可被应用于全过程计算:开发、文档编写、运行代码和展示结果。——Jupyter Notebook官方介绍简言之,Jupyter Notebook是以网页的形式打开,可以在网页页面中直接编写代码和运行代码,代码的运行结果也会直接在代码块下显示的程序。同时可在页面中编写注释,作及时的说明解释。...
稀疏矩阵在数值分析中,是其元素大部分为零的矩阵。在矩阵中,若数值0的元素数目远多于非0元素的数目,并且非0元素分布没有规律矩阵的稠密度非零元素的总数比上矩阵所有元素的总数。
![文章图片](https://img-blog.csdnimg.cn/a3ca63fee44d4ad391e438bca550ea07.png)
loc函数:通过行索引 “Index” 中的具体值来取行数据(如取"Index"为"A"的行)iloc函数:通过行号来取行数据(如取第二行的数据)注:loc是location的意思,iloc中的i是integer的意思,仅接受整数作为参数。行根据行标签,也就是索引筛选,列根据列标签,列名筛选如果选取的是所有行或者所有列,可以用:代替行标签选取的时候,两端都包含,比如[0:5]指的是0,1,2,3,
1.基本信息Pandas 的 apply() 方法是用来调用一个函数(Python method),让此函数对数据对象进行批量处理。Pandas 的很多对象都可以使用 apply() 来调用函数,如 Dataframe、Series、分组对象、各种时间序列等。2.语法结构apply() 使用时,通常放入一个 lambda 函数表达式、或一个函数作为操作运算,官方上给出DataFrame的 a
Jupyter Notebook是基于网页的用于交互计算的应用程序。其可被应用于全过程计算:开发、文档编写、运行代码和展示结果。——Jupyter Notebook官方介绍简言之,Jupyter Notebook是以网页的形式打开,可以在网页页面中直接编写代码和运行代码,代码的运行结果也会直接在代码块下显示的程序。同时可在页面中编写注释,作及时的说明解释。...
1.官网语法pandas.read_csv(filepath_or_buffer, sep=NoDefault.no_default**,** delimiter=None**,** header='infer’, names=NoDefault.no_default**,** index_col=None**,** usecols=None**,** squeeze=False**,** pre