簡(jiǎn)述題

1 costfunction形式：

J(\mathscr o)=\frac{1}{2}\sum_{0}^{N}(h_\mathscr o  (x^i)-y^i)^2

2

3.KNN算法大體過(guò)程是：

• 1.計(jì)算出樣本數(shù)據(jù)和待分類(lèi)數(shù)據(jù)的距離；
• 選擇K個(gè)與其距離最小的樣本
• 統(tǒng)計(jì)出K個(gè)樣本中大多數(shù)樣本所屬的類(lèi)，這個(gè)類(lèi)即為待分類(lèi)數(shù)據(jù)所屬的類(lèi)

K：K值的選擇一般選取1，3，5，7等較小的奇數(shù)。因?yàn)槿绻x擇的K值過(guò)于大的話會(huì)造成分類(lèi)的偏差大，如果選擇偶數(shù)則會(huì)發(fā)生在一個(gè)區(qū)域內(nèi)對(duì)于樣本的投票相同的場(chǎng)景所以選擇較小的奇數(shù)

8.隨機(jī)梯度下降

編程題

1

from sklearn import neighbors
from sklearn import datasets
knn = neighbors.KNeighborsClassifier()
iris = datasets.load_iris()
knn.fit(iris.data, iris.target)
predictedLabel = knn.predict([[3.5, 0.4, 2.3, 2.5]])
print(predictedLabel)

2

    import numpy as np
a=np.array([[0,1,2,3],[0,1,2,3],[0,1,2,3],[0,1,2,3]])
#print(a)

def transform(a):
for i in range(len(a)-1):
    for j in range(len(a[i])):
        if j>i:
            temp=a[i][j];
            a[i][j]=a[j][i]
            a[j][i]=temp
    print(a)
        
transform(a)