南极Python

开篇决策树，可以看做一个if-else规则的集合，比如下图就是一棵决策树： 其中，圆圈代表特征，矩形代表最终的类别，圆圈和矩形都可以称为树的节点，决策树正是由这样一个个节点组成的。 本文的主要内容是从零开始构建一棵决策树，中间过程会涉及诸如熵，信息增益以及决策树等概念。 按照老规矩，先上栗子。 信贷决策问题这里有一份数据集，其中每个ID代表一个人，类别列代表是否同意这个人的贷款申请，中间列（年龄，有工作，有自己的房子，信贷情况）是4个特征，现在要求你利用这四个特征及类别标签，构建一棵决策树来决定是否同意贷款申请人的贷款申请。| ID| 年龄| 有工作 | 有自己的房子| 信贷情况 |类别|| ——– | —–: | :—-: |:—–:|:—–:|:—–:|| 1 | 青年 | 否 |否|一般|否|2 | 青年 | 否 |否|好|否| 3 | 青年 | 是 |否|好|是|| 4 | 青年 | 是 |是|一般|是| 5 | 青年 | 否 ...

开篇本期介绍Python的异常处理方法。 为什么需要做异常处理看下面的函数： 12def div(a,b): return a/b 这个函数用于求解两数相除的结果 我们可以调用它： 12345678#求解1/2>>> div(1,2)0.5#求解3/4>>> div(3,4)0.75 程序貌似没问题 但是我们知道，除数是不能为0的，现在来尝试让除数为0： 1234567>>> div(1,0)Traceback (most recent call last): File "<pyshell#2>", line 1, in <module> div(1,0) File "C:/Users/fanxi/Desktop/swe.py", line 2, in div return a/bZeroDivisionError: division by zero 毫无疑问，程序报错了！ 报错信息也很明显：ZeroDivisionError: divis ...

开篇本期将介绍排序方法，注意是方法而不是算法，因此更侧重方法的使用，而不对其内部细节的实现原理进行深究。 简单的列表(list)排序list自带有sort()方法可实现排序 默认是升序排列： 1234>>> lis=[1,3,2,5,4,8,6,9]>>> lis.sort()>>> lis[1, 2, 3, 4, 5, 6, 8, 9] 可通过传入reverse=True来实现降序： 1234>>> lis=[1,3,2,5,4,8,6,9]>>> lis.sort(reverse=True)>>> lis[9, 8, 6, 5, 4, 3, 2, 1] 你应该已经发现，上述的排序操作是直接在原列表中进行的。 除了上面的sort()，Python语言本身也有一种排序的函数，叫做sorted() 同样默认是升序排列： 1234>>> lis=[1,3,2,5,4,8,6,9]>>> sorted_lis=sorted(lis)>>& ...

最近在整理以前的书籍和资料，发现了一堆自己写的笔记： 摊开之后的画面是这样的： 丢了吧，太可惜，留着呢，又用不到，而且还占地方。思来想去，我决定将它们扫描做成电子档，永久储存在云端。 说干就干，先拿<操作系统笔记>开刀。我用手机摄像头充当扫描仪，开始了漫长的扫描，这真是个体力活。 许久，终于扫描完了，共134张图片。二话不说，在手机相册中选中扫描的图片，传送到手机wps，开始合成pdf… 然后就好了………………………………………………………吗？ 事实是：wps最高只支持一次将50张图片合成pdf，而且还是在开会员的前提下才能操作。emm， 看来要另寻他法了。 一个新的想法是，把图片全部弄进word里，导出pdf就好了 这确实可行，但是每两张图片之间的间隔实在是太大了，有点丑 而且作为一个Python爱好者，一遇到问题，就习惯性的想着能不能用Python来解决 因为如果下次，你有1000份文档的图片需要转pdf，使用word的话，你需要手动创建1000个word文档，然后做1000次导入图片的操作，这可真让人手酸。 拥抱Python吧！ 经过一番搜索，我发现了img2pdf这 ...

开篇在讲解k-近邻算法的时候，我们提供的思路是：对于新到来的样本，计算该样本与训练集中所有样本之间的距离，选取训练集中距离新样本最近的k个样本中大多数样本的类别作为新的样本的类别。 也就是说，每次都要计算新的样本与训练集中全部样本的距离。但是，在实际应用中，训练集的样本量和特征维度都是比较庞大的，这就导致该算法不得不在计算距离上花费大量的时间，那有没有什么方法可以在时间开销上对之前的k-近邻算法进行优化呢？ 采用以空间来换时间的思想，就引出了今天的主角：kd树。 构造kd树kd树是一种二叉树，它可以将k维特征空间中的样本进行划分存储，以便实现快速搜索。 一头雾水？没关系，来看一个经典的构造kd树的例子。 现给定一个二维的训练集：T={（2，3），（5，4），（9，6），（4，7），（8，1），（7，2）} 要求构造一个平衡kd树 第一步，选取第0个维度作为被划分的坐标轴，并按照第0个维度从小到大排列全部样本，得到： {（2，3），（4，7），（5，4），（7，2），（8，1），（9，6）} 第二步，找到第0个维度的中位数对应的样本。注意，这里的中位数与我们之前认知的中位数有些不 ...

开篇k-近邻算法是比较简单的一种机器学习算法，其核心思想可以用一句话来概括：近朱者赤，近墨者黑。 在具体介绍该算法之前，先通过一个栗子对该算法做一个感性上的认识。 Python爱好者 or C爱好者 ？ 上图中，每一个形状（三角形，圆形）都代表了一个人。总共有两种形状，说明这些人总共可以分为两类：Python爱好者、C爱好者。 三角形一共有7个，代表喜欢写Python的总共有7人； 圆形一共有6个，代表喜欢写C语言的总共有6人。 现在，突然来了一个不知道是喜欢写Python还是C语言（并且只可能属于其中之一）的人—–五角星，要求你来判定这个人所属的类别。 emm… 你可能会说，那看看图上距离这个人（五角星）最近的几个人所属类别就可以了啊！比如就看距离这个人最近的3个人：其中有两个人喜欢写Python，而只有一个人喜欢写C语言（如下图所示） 按照少数服从多数的原则，将这个新来的人（五角星）归类到三角形(Python爱好者)类别就搞定啦！ ​ 最终 ...

时代在发展，社会也在不断地前进。得益于中国特色社会主义，近些年来，我们的生活也发生了翻天覆地的变化，这不仅仅体现在我们的衣食住行，更体现在精神与文化层面。科技日益发达，大国之间的竞争的焦点也渐渐转移到科学技术上来，尤其是进入21世纪以后，深度学习技术的突飞猛进，人工智能技术迅速发展，并且随着算力的不断提升，以前不可能实现的实验，现在都可交由计算机来实现。依托其强大的运算能力和重复特性，如今的人工智能已经有了许多不错的落地成果。我们国家也在大力倡导发展大数据与人工智能，为促进新时代科技强国打下坚实的基础，这也正是我选择跨考进入计算机专业并准备在机器学习、人工智能方向深耕的原因之一。 中国特色社会主义结合了马克思主义与中国的实际国情，在先辈们前仆后继的不断摸索中，才有了今天来之不易的幸福生活，才给了发展高新科技的前提条件。生于20世纪与21世纪的交叉点的我们，更应该珍惜这来之不易的生活，同时也要根据自身条件，努力为社会主义的建设添砖加瓦，贡献自己的力量。于我而言，作为一名计算机专业并对机器学习技术非常热爱的研究生，更要努力学习相关知识。从小的说，是为了自己，往大了说，真心希望自己可以学有所 ...

1234567891011121314151617181920212223242526272829303132333435363738394041424344454647484950515253545556575859606162636465import numpy as npimport matplotlib.pyplot as pltDNA_SIZE=10POP_SIZE=100CROSS_RATE=0.8MUTATION_RATE=0.003N_GENERATIONS=200X_BOUND=[0,5]#定义目标函数def F(x): return np.sin(10*x)*x+np.cos(2*x)*x#计算适应度,并使其大于0def get_fitness(pred): return pred+1e-3-np.min(pred)#将二进制串的DNA转为10进制数并限制范围在0到5之间def translateDNA(population): return population.dot(2**np.arange(DNA_SIZE)[::-1])/float(2* ...

开篇在本系列的前面几期中，我们介绍了包含决策树及其相关算法在内的一系列有监督学习算法。本期不妨换换口味，学习一种比较简单的无监督学习算法： k-means. k-means 算法理论讲解你可能已经听说过这个算法，没有也不要紧，它的原理并不复杂，让我们来看看~ 给你一批样本的数据，就像这样：其中不同的id代表不同样本，共10个样本。x和y是两个特征，每一个样本都有且只有这两个特征。 现在希望你能够对这些样本进行分类。 我们知道，在属于有监督学习的分类问题中，训练数据往往会包含类别标签。而上面这份数据本身是不含标签的，所以这并不是一个分类问题。 既然不知道类别标签，你又让我对这些样本进行分类，那如何聚类？又要聚成几类呢？ 其实，在k-means中，最终聚成几类是由我们自己决定的；这里的类别标签通常用数字表示，如0,1,2等；当我们指定好类别总数后，每一个样本被归到哪一类，就需要聚类算法自己去学习了。 k-means算法学习将相似的样本聚在一起，称为一个类别(也称为一个”簇”)，而将不相似的样本划分到不同的类别(“簇”)中。 这里的相似程度，通常是用样本之间的距离来度量的，比如最常用的欧氏距 ...

123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354555657585960def interp(code): data=[0 for _ in range(30000)] pc=0 ptr=0 st=[]#list模拟stack while(pc<len(code)): c=code[pc] print("正在处理字符'{}'".format(c)) if c=='<': ptr-=1 elif c=='>': ptr+=1 elif c=='+': data[ptr]+=1 ...