以最经典的“尿不湿和啤酒”的故事来说，这个故事讲的是一家超市通过分析往期的顾客购物清单，发现很多顾客在购买尿不湿的同时也购买了啤酒，于是这家超市将啤酒和尿不湿放在了相邻的购物架上，这一奇怪的举动竟然促使尿不湿和啤酒的销售率大幅上升。在上面所构成的FP树中，在某个支持度阈值下，我们可以找到频繁项集：{新闻，财经}，{体育，财经}，{新闻，体育}，{新闻，财经，体育}。频繁项集中关联规则的数目依旧是很

SVM是一种分类模型，是一个定义在特征空间上间隔（距离）最大的线性分类器。基本思路：SVM将训练样本数据集表示为特征空间的点，将各个类别的训练数据使用超平面进行分隔，在预测时，输入一个新的测试数据点，若该测试数据点在特征空间的位置分布在超平面的某一侧，则判断该测试点的类别即为该侧所对应的类别。共有三种类型的SVM：线性可分支持向量机(硬间隔最大化)线性不可分支持向量机非线性支持向量机将求解线性可分

主成分分析（Principal Component Analysis，PCA）， 是一种统计方法，通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量，转换后的这组变量叫主成分。在数据预处理中，我们常用PCA的方法对数据进行降维处理，将n维特征映射到k维上，这k维是全新的正交特征也被称为主成分，是在原有n维特征的基础上重新构造出来的k维特征。插值是逼近的重要方法，利用它可通过函数在有限

以最经典的“尿不湿和啤酒”的故事来说，这个故事讲的是一家超市通过分析往期的顾客购物清单，发现很多顾客在购买尿不湿的同时也购买了啤酒，于是这家超市将啤酒和尿不湿放在了相邻的购物架上，这一奇怪的举动竟然促使尿不湿和啤酒的销售率大幅上升。在上面所构成的FP树中，在某个支持度阈值下，我们可以找到频繁项集：{新闻，财经}，{体育，财经}，{新闻，体育}，{新闻，财经，体育}。频繁项集中关联规则的数目依旧是很

SVM是一种分类模型，是一个定义在特征空间上间隔（距离）最大的线性分类器。基本思路：SVM将训练样本数据集表示为特征空间的点，将各个类别的训练数据使用超平面进行分隔，在预测时，输入一个新的测试数据点，若该测试数据点在特征空间的位置分布在超平面的某一侧，则判断该测试点的类别即为该侧所对应的类别。共有三种类型的SVM：线性可分支持向量机(硬间隔最大化)线性不可分支持向量机非线性支持向量机将求解线性可分

无论是在数据挖掘还是机器学习当中，数据的好坏很大程度决定了最后训练出来的模型的预测和泛化能力的好坏。为了训练出质量更高的模型，通常我们都需要在训练之前对我们的数据集进行预处理。在文本领域主要使用pandas、numpy对数据进行预处理，在图像领域则使用opencv、numpy来处理，图像的预处理可以详见我之前的博客，今天我们将使用pandas来对文本数据进行预处理。数据预处理是机器学习和数据挖掘中

在感知机中，权重w是由人工输入的，而神经网络可以自动地从数据中学习到合适的权重参数。可以理解为，神经网络从数据中抓取数据的特征而得到权重，最后由权重来识别陌生数据。神经网络结构图如下：上图为3层神经网络，是最为简单的神经网络结构，其中中间层，有时我们也称作“隐藏层”。与感知机类似，在神经网络中我们输入数据样本作为输入信号，再通过隐藏层获取数据的特征计算得到权重，最后在输出层得到需要的输出结果。

出现报错“ValueError: shapes (2,3) and (2,2) not aligned: 3 (dim 1)!其中，该神经网络：输入层（第0层）有2个神经元，第1个隐藏层（第1层）有3个神经元，第2个隐藏层（第2层）有2个神经元，输出层（第3层）有2个神经元。在这里我们定义了identity_function()函数（恒等函数），并将其作为输出层的激活函数。（2*3和2*2矩阵进行

1. COVID-19肺炎肺部CT图特征简述(以下内容为查阅资料后整理，本人并非医学影像专业，如有错误敬请指正)主要为间质化改变，磨玻璃影2.数据预处理为减少GPU计算量，先使用crop函数裁去CT图黑边，并对图像进行resize（此处处理后的图片大小为420*290）训练集与测试集数据总数：traintestcovid-192289572normal15923983.使用卷积神经网络（CNN）参

代码以裁成55*55为例for i in range(0,403):a=i+1b=i+1img_name = str(a)img = cv2.imread("C:/Users/10230/Desktop/img_data/"+img_name+".png")cropped = img[0:55, 0:55]# 按坐标裁剪，坐标为[y0:y1, x0:x1]img_name2 = str(b)cv2