from sklearn.processing import standardsacler
sc = standardscaler() #例項化
sc.fit(x_train)
sc.transform(x_train)
# - 以上兩句可以並寫成一句sc.fit_transform(x_trian)
# - 我們使用相同的放縮引數分別對訓練和測試資料集以保證他們的值是彼此相當的。**但是在使用fit_transform 只能對訓練集使用，而測試機則只使用fit即可。**
# - sklearn中的metrics類中包含了很多的評估引數，其中accuracy_score,
# - 中accuracy_score(y_test,y_pred)，也就是那y_test與**值相比較，得出正確率
y_pred = model.predict(x_test-std)
感知機的乙個最大缺點是：在樣本不是完全線性可分的情況下，它永遠不會收斂。
分類算中的另乙個簡單高效的方法：logistics regression（分類模型）
特定的事件的發生的機率，用數學公式表示為：$\frac $，其中p為正事件的概率，不一定是有利的事件，而是我們將要**的事件。以乙個患者患有某種疾病的概率，我們可以將正事件的類標標記為y=1。
參考文獻:
posted on 2018-07-17 00:20收藏
回歸 梯度下降法
給定 m條訓練資料，假定方法 先說明向量問題，乙個向量就代表一條特徵值 梯度下降公式 重複公式直到 收斂。公式中意思是 1 第i個 2 重複計算1。直到 repeat util convergence python def gradient x,y,bu,number m,n x.shape wei...
線性回歸與梯度下降法
原文 最近在看斯坦福的 機器學習 的公開課，這個課程是2009年的，有點老了，不過講的還是很好的，廓清了一些我以前關於機器學習懵懂的地方。我的一位老師曾經說過 什麼叫理解？理解就是你能把同乙個事情用自己的語言表達出來，並且能讓別人聽得懂。本著這樣的原則，同時也為了證明自己是 理解 的，於是決定打算在...
自寫邏輯回歸（利用隨機梯度下降法）
梯度下降法需要對每個楊訥都需要遍歷。時間複雜度太大 為了解決這個時間複雜度問題，我們最常用的演算法其實是隨機梯度下降法，可以理解成是梯度下降法的乙個變種。隨機梯度下降法的核心思想是 每一次的迭代更新不再依賴於所有樣本的梯度之和，而是僅僅依賴於其中乙個樣本的梯度。所以這種方法的優勢很明顯，通過很 便宜...