目录一、前期工作1.设置GPU2.导入数据3.归一化4.可视化二、构建CNN网络三、编译四、训练模型五、预测六、模型评估一、前期工作1.设置GPU2.导入数据3.归一化4.可视化二、构建CNN网络三、编译四、训练模型五、预测六、模型评估...

机器学习项目实战——15Kmeans算法之NBA球队实力聚类分析

逻辑回归

1. 评价标准1.1正确率、召回率、F1指标正确率与召回率(Precision & Recall )是广泛应用于信息检索和统计学分类领域的两个度量值，用来评价结果的质量。一般来说，正确率就是检索出来的条目有多少是正确的，召回率就是所有正确的条目有多少被检索出来了。F1值=2*(正确率*召回率）/ (正确率+召回率)。是综合上面二个指标的评估指标，用于综合反映整体的指标。这几个指标的取值都在

主要通过siamese网络进行相似度匹配，主要操作为：首先手动选择初始图像中的目标，使用siamese网络进行特征提取，然后以此特征为标准，遍历后面帧图像的每个位置，对每个位置进行特征提取，然后作比较，确定位置。主要针对目标检测算法和滤波类算法（多目标跟踪），yolo系列，ssd系列，anchor-free系列，two-stage系列等等，滤波类和上述传统方式相似。主要有：CSK、KCF/DCF、

机器学习项目实战——12集成学习算法之乳腺癌预测

图像处理输入是图像，输出是图像，常见的任务包括：降噪，超分辨，去模糊，去马赛克，去雾去雨去栅栏去云等等的去X系列，再对焦，图像补全，压缩感知，计算成像（MRI, CT, Light field, ...），等等，外加一些图像增强的任务，比如锐化之类的。而计算机视觉输入是图像，输出是知识。常见的任务：各种识别（人脸，猫，狗，交通灯，疾病，异常，造假....），图像转文字（image captioni

数据集的详细说明如下：从最后一列的输出值可以看出为0或1，属于二分类，因此可以使用逻辑回归实现。用pandas读取csv文件，前面几个都用的是np.genfromtxt文件读取。个人觉得没什么大的区别，pandas用的更多吧，常用于数据分析。数据分析基本过程：①提出问题，②理解数据需求 ，③数据清洗， ④构建模型 。⑤数据可视化；数据清洗的基本过程：①选择子集，②列名重命名，③缺失数据处理，④数据

机器学习的一个重要应用就是文档的自动分类。在文档分类中，整个文档（如一封电子邮件）是实例，而电子邮件中的某些元素则构成特征。我们可以观察文档中出现的词，并把每个词作为一个特征，而每个词的出现或者不出现作为该特征的值，这样得到的特征数目就会跟词汇表中的词的数目一样多。朴素贝叶斯是上面介绍的贝叶斯分类器的一个扩展，是用于文档分类的常用算法。下面我们会进行一些朴素贝叶斯分类的实践项目。...

在朴素贝叶斯中，提到了两种估计概率的算法：一个是极大似然估计，一个是贝叶斯估计。另外，在b站的视频中，提到了模型的两种估计方法：一个是最大似然估计，一个是奥卡姆剃刀。对于这四个概念，我不是很清楚的知道什么是什么，也不太知道估计的是什么的概率？基于一些偏颇的概念，仅记录下来，供以后参考。说明：本文可能有错误！！！贝叶斯决策首先来看贝叶斯分类，我们都知道经典的贝叶斯公式：其中：p(w)：为先验概率，表