# coding: utf-8# 使用花瓣测量数据绘制 2D散点图，并绘出决策边界import numpy as npimport matplotlib.pyplot as pltfrom matplotlib.colors import ListedColormapfrom sklearn import datasetsfrom sklearn.neighbors import

# coding: utf-8# 使用萼片测量数据绘制 2D散点图，并绘出决策边界import numpy as npimport matplotlib.pyplot as pltfrom matplotlib.colors import ListedColormapfrom sklearn import datasetsfrom sklearn.neighbors import

#!/usr/bin/env python2# -*- coding: utf-8 -*-#检测系统用户路径import oshome_folder=os.path.expanduser("~")print("user's path {0}".format(home_folder))#拼接数据集位置data_folder=os.path.join(home_folder,"Dat

#%load python_8_2.py此命令以加载本脚本到到ipython中# coding: utf-8from sklearn import datasetsiris=datasets.load_iris()#数据集描述信息iris.DESCR#iris数据集的数据iris.data#以上总共150组数据，对应以下150个结果iris.target#0

接上一篇，使用 oneR算法来实现iris分类. # coding: utf-8#使用oneR算法来实现iris分类#参考:http://www.cnblogs.com/htynkn/archive/2012/04/14/2446905.html#算法思路: 根据已有数据中，具有相同特征值的个体最可能属于哪个类别进行分类.#oneR是one rule(一条规则)的简写, 表示

K-近邻分类器完成分类

#%load python_8_1.py此命令以加载本脚本到到ipython中# coding: utf-8from sklearn import datasetsiris=datasets.load_iris()#数据集描述信息iris.DESCR#iris数据集的数据iris.data#以上总共150组数据，对应以下150个结果iris.target#0

# coding: utf-8#使用PCA(principal component analysis主成分分析法)减少系统的维数( 因为以上四个测量数据减少到三个后，就可以使用3D散点图更好的描述)#PCA可以保留足以描述各数据点特征的信息，其中新生成的各维叫主成分.#scikit-learn库中的fit_transform()函数就是用来降维处理的.#PCA对象简介 :http:

# coding: utf-8import numpy as npdataset_filename="affinity_dataset.txt"#加载数据文件dataset=np.loadtxt(dataset_filename)'''数据结果:array([[ 0.,0.,1.,1.,1.],[ 1.,1.,0.,1.,0.]

什么是云? 云目前有五种模式,它们是:1. 基础设施即服务Infrastructure as a Service （IaaS）：优点：提供简化的基础设施管理，大规模的水平可伸缩性，通过地理分布实现高冗余，可以跨多个云供应商进行移植并且允许开发人员通过产品覆盖更广泛的受众。2. 平台即服务 Platform as a Service (PaaS)3. 软件即服务 Software as a Serv