iris

　　朴素贝叶斯是经典的机器学习算法之一，也是为数不多的基于概率论的分类算法。对于大多数的分类算法，在所有的机器学习分类算法中，朴素贝叶斯和其他绝大多数的分类算法都不同。比如决策树，KNN，逻辑回归，支持向量机等，他们都是判别方法，也就是直接学习出特征输出Y和特征X之间的关系，要么是决策函数，要么是条件分布。但是朴素贝叶斯却是生成方法，该算法原理简单，也易于实现。 1，基本概念 　　朴素贝叶斯 ：贝叶斯分类是一类分类算法的总称，这类算法均以贝叶斯定理为基础，故统称为贝叶斯分类。而朴素贝叶斯分类时贝叶斯分类中最简单，也是最常见的一种分类方法。 　　贝叶斯公式 ： （X：特征向量， Y：类别） 　　先验概率P(X) ：先验概率是指根据以往经验和分析得到的概率。 　　后验概率P(Y|X) ：事情已经发生，要求这件事情发生的原因是由某个因素引起的可能性的大小，后验分布P(Y|X)表示事件X已经发生的前提下，事件Y发生的概率，叫做事件X发生下事件Y的条件概率。 　　后验概率P(X|Y) ：在已知Y发生后X的条件概率，也由于知道Y的取值而被称为X的后验概率。 　　朴素 ：朴素贝叶斯算法是假设各个特征之间相互独立，也是朴素这词的意思那么贝叶斯公式中的P(X|Y)可写成： 　　朴素贝叶斯公式 ： 2，贝叶斯算法简介 　　NaiveBayes算法，又称朴素贝叶斯算法。朴素：特征条件独立；贝叶斯

GO语言我发现需求量有点上去啊？！然后自己开始从网上东拼西凑搜索各种知识点，发现太散了..........，往往一个功能就要打开好几个网页，为了方便，于是我开始整理那些三碎的知识点，顺便学习一下GO语言吧，我习惯在Linux下操作，所以............. 首先，先下载GO语言................ https://golang.google.cn/dl/ 嗯..........没毛病，下载完之后进行解压安装 [root@localhost GO] # pwd /GO # 我的下载路径 [root@localhost GO] # ls go1.10.2.linux- amd64.tar.gz [root@localhost GO] # tar -C /usr/local -xzf go1.10.2.linux-amd64.tar.gz # 解压 [root@localhost GO] # export PATH=$PATH:/usr/local/go/bin # 加入变量 [root@localhost GO] # go version # 查看版本 go version go1.10.2 linux/ amd64 [root@localhost GO] # 上面执行完毕之后，你认为go语言就彻底完了吗？没有，不信你重启一下系统，再输入查看版本...........

原创博文，转载请注明出处！ sklearn中保存和加载模型的方法 1.载入模块 1 from sklearn.externals import joblib 2.保存模型 1 joblib. dump (model,'filename.pkl') 3.加载模型 1 model = joblib. load ('filename.pkl') 4.例子 1 # -*- coding: utf-8 -*- 2 " "" 3 # 作者：wanglei5205 4 # 邮箱：wanglei5205@126.com 5 # 博客：http: //cnblogs.com/wanglei5205 6 # github：http: //github.com/wanglei5205 7 " "" 8 ### 导入模块 9 from sklearn.datasets import load_iris 10 from sklearn import svm 11 from sklearn.externals import joblib 12 13 iris = load_iris() 14 x,y = iris. data ,iris.target 15 16 model = svm.SVC() 17 model.fit(x,y) 18 19 joblib. dump (model,'dump_model

在本节学习中，我们使用Seaborn作为数据可视化的入门工具 Seaborn的官方网址如下：http://seaborn.pydata.org 一：definition Seaborn is a Python data visualization library based on matplotlib . It provides a high-level interface for drawing attractive and informative statistical graphics. Seaborn是基于matplotlib的数据可视化库，它的主要功能是做数据可视化 二：Setup the notebook 对数据进行初始化，引入相应的包 import pandas as pd import matplotlib.pyplot as plt %matplotlib inline import seaborn as sns pirnt("Setup Complete") 三: Load the data 加载数据 file_path = "../input/fifa.csv" fifa_data = pd.read_csv(file_path, index_col="Date", parse_Dates=True) 注： file_path: 表示dataset的路径

一、 镜头主要参数 　　1.焦距(FocalLength) 　　焦距是从镜头的中心点到胶平面上所形成的清晰影像之间的距离（注意！，相机的焦距与单片凸透镜的焦距是两个概念，因为相机上安装的镜头是多片薄的凸透镜组成，单片凸透镜的焦距是平行光线汇聚到一点，这点到凸透镜中心的距离）。焦距的大小决定着视角的大小，焦距数值小，视角大，所观察的范围也大;焦距数值大，视角小，观察范围小。根据焦距能否调节，可分为定焦镜头和变焦镜头两大类。 　　2.光圈(Iris) 　　用F表示，以镜头焦距f和通光孔径D的比值来衡量。每个镜头上都标有最大F值，例如　8mm　/F1.4代表最大孔径为　5.7毫米　。F值越小，光圈越大，F值越大，光圈越小。 　　3.对应最大CCD尺寸(SensorSize) 　　镜头成像直径可覆盖的最大CCD芯片尺寸。主要有：1/2″、2/3″、1″和1″以上。 　　4.接口(Mount) 　　镜头与相机的连接方式。常用的包括C、CS、F、V、T2、Leica、M42x1、M75x0.75等。 　　5.景深(Depth ofField,DOF) 　　景深是指在被摄物体聚焦清楚后，在物体前后一定距离内，其影像仍然清晰的范围。景深随镜头的光圈值、焦距、拍摄距离而变化。光圈越大，景深越小;光圈越小、景深越大。焦距越长，景深越小;焦距越短，景深越大。距离拍摄体越近时，景深越小;距离拍摄体越远时

在了解了KNN的基本原理之后，我们需要学习如何在sklearn中调用KNN算法以及如何用GridSearchCV进行调参 首先导入必要的库以及我们所使用的数据集：iris 1 from sklearn.neighbors import KNeighborsClassifier 2 from sklearn import datasets 3 from sklearn.model_selection import GridSearchCV 4 from sklearn.model_selection import train_test_split 5 iris = datasets.load_iris() 6 data = iris.data 7 label = iris.target 由于KNN对极端数据比较敏感，所以一般会对数据进行归一化，此处数据集比较友好就没有归一化了 将整个的数据集分成训练集和测试集，并创建一个KNN分类器对象 1 X_train,X_test,y_train,y_test = train_test_split(data,label,test_size=0.3,random_state=2 ) 2 knn_clf = KNeighborsClassifier() 由于sklearn中的KNN方法有很多超参数，所以需要调参，这里只介绍常用的超参数：

经ESG集团验证，在速度测试中，InterSystems IRIS®数据平台的性能优于其他主流数据库。 7月21日，中国 北京– 致力于帮助客户创造性地解决最关键的可扩展性、互操作性和系统速度问题的数据技术提供商 InterSystems公布了一项针对其旗舰产品InterSystems IRIS®数据平台的速度测试（Speed Test）。该测试是一个可自定义的事务分析型应用程序，用来测试并发的实时数据摄取和查询性能，访问者可在本地或AWS云端轻松运行该测试，以比较InterSystems IRIS和其他领先的数据库管理系统（DBMS）供应商的性能。 ESG集团已验证了该测试及测试结果的可靠性和公平性。ESG比较了InterSystems IRIS与其他主流的事务型和分析型数据库的性能参数，包括各数据库摄取的记录数、数据摄取速度、摄取速度随时间的变化、查询的记录数，以及查询的响应时间。ESG发布的结果表明，InterSystems IRIS的性能超过许多其他主流数据库。 InterSystems欢迎用户自行验证测试结果。该速度测试（Speed Test）结果是开源的、可自定义的，用户可轻松修改测试数据和查询，使测试更加符合自身的测试要求，并使用InterSystems IRIS和其他领先供应商平台自己运行测试，并比较测试结果。 InterSystems产品管理总监Jeff

最近在读论文的的过程中接触到多标签分类(multi-label classification)的任务，必须要强调的是多标签（multi-label）分类任务 和 多分类(multi-class)任务的区别： 多标签分类任务 指的是一条数据 可能有一个或者多个标签 ，举个例子：比如一个病人的体检报告，它可能被标记上，高血压，高血糖等多个标签。 多分类任务 指的是一条数据 只有一个标签，但是标签有多种类别 。机器学习中比较经典的iris鸢尾花数据集就是标准的多分类任务，一条数据喂给模型，模型需判断它是3个类别中的哪一个。 这里笔者强调一下多标签分类任务的两个特点： 类别标的数量是不确定的 ，有些样本可能只有一个类标，有些样本可能存在多个类别标签。 类别标签之间可能存在相互依赖关系 ，还是拿我上述的例子来说：如果一个人患有高血压，他有心血管疾病的概率也会变大，所以高血压这个label和心血管疾病的那些labels是存在一些依赖关系的。 多标签分类算法简介 多标签分类算法比较常用的有ML-KNN、ML-DT、Rank-SVM、CML等。我就不多介绍这些基于传统机器学习的方法，感兴趣的同学可以自己去研究。这里主要介绍如何采用深度学习模型做多标签分类任务，首先我们必须明确一下多标签分类模型的输入和输出。 模型输入输出 假设我们有一个 体检疾病判断任务

1、初识svm 支持向量机（Support Vector Machine,SVM），主要用于小样本下的二分类、多分类以及回归分析，是一种有监督学习的算法。基本思想是寻找一个超平面来对样本进行分割，把样本中的正例和反例用超平面分开，其原则是使正例和反例之间的间隔最大。svm的原理可以参考博客： https:// blog.csdn.net/zouxy09/a rticle/details/17291543 。 2、SVM实例 （1）数据来源：Iris数据集，下载地址为： http:// archive.ics.uci.edu/ml/ datasets/Iris ，Iris.data中有5个属性，包括4个预测属性（萼片长度、萼片宽度、花瓣长度、花瓣宽度）和1个类别属性（Iris-setosa、Iris-versicolor、Iris-virginica三种类别）。首先，需要将第五列类别信息转换为数字，再选择输入数据和标签。 from sklearn import svm import numpy as np import matplotlib.pyplot as plt import matplotlib from sklearn.model_selection import train_test_split #定义字典，将字符与数字对应起来 def Iris_label ( s ):

import numpy as np from sklearn import datasets import networkx as nx from scipy.spatial.distance import pdist, squareform import matplotlib.pyplot as plt X, y = datasets.load_iris(return_X_y=True) N = X.shape[0] distlist = pdist(X,metric='euclidean') dist_Matrix = squareform(distlist) simi_Matrix = np.zeros((N,N)) neiNum = 5 for i in range(N): ordidx = np.argsort(dist_Matrix[i,:]) for j in range(neiNum+1): if i != ordidx[j]: simi_Matrix[i,ordidx[j]] = dist_Matrix[i, ordidx[j]] G = nx.Graph() for i in range(N): for j in range(N): if simi_Matrix[i,j] > 0: G.add_weighted_edges_from([(i,j,simi