《机器学习实战》python3完美运行代码


《机器学习实战》python3完美运行代码
资源截图
代码片段和文件信息
# -*- coding: utf-8 -*-
“““
Created on Thu Jul 26 09:22:46 2018

@author: wzy
“““
import numpy as np
import matplotlib.pyplot as plt

“““
函数说明:创建单层决策树的数据集

Parameters:
    None
    
Returns:
    dataMat - 数据矩阵
    classLabels - 数据标签

Modify:
    2018-07-26
“““
def loadsimpData():
    datMat = np.matrix([[1.  2.1]
                        [1.5 1.6]
                        [1.3 1. ]
                        [1.  1. ]
                        [2.  1. ]])
    classLabels = [1.0 1.0 -1.0 -1.0 1.0]
    return datMat classLabels


“““
函数说明:单层决策树分类函数

Parameters:
    dataMatrix - 数据矩阵
    dimen - 第dimen列,也就是第几个特征
    threshVal - 阈值
    threshIneq - 标志
    
Returns:
    retArray - 分类结果

Modify:
    2018-07-26
“““
def stumpClassify(dataMatrix dimen threshVal threshIneq):
    # 初始化retArray为全1列向量
    retArray = np.ones((np.shape(dataMatrix)[0] 1))
    if threshIneq == ‘lt‘:
        # 如果小于阈值则赋值为-1
        retArray[dataMatrix[: dimen] <= threshVal] = -1.0
    else:
        # 如果大于阈值则赋值为-1
        retArray[dataMatrix[: dimen] > threshVal] = -1.0
    return retArray


“““
函数说明:找到数据集上最佳的单层决策树

Parameters:
    dataArr - 数据矩阵
    classLabels - 数据标签
    D - 样本权重每个样本权重相等 1/n
    
Returns:
    bestStump - 最佳单层决策树信息
    minError - 最小误差
    bestClassEst - 最佳的分类结果

Modify:
    2018-07-26
“““
def buildStump(dataArr classLabels D):
    # 输入数据转为矩阵(5 2)
    dataMatrix = np.mat(dataArr)
    # 将标签矩阵进行转置(5 1)
    labelMat = np.mat(classLabels).T
    # m=5 n=2
    m n = np.shape(dataMatrix)
    numSteps = 10.0
    bestStump = {}
    # (5 1)全零列矩阵
    bestClasEst = np.mat(np.zeros((m 1)))
    # 最小误差初始化为正无穷大inf
    minError = float(‘inf‘)
    # 遍历所有特征
    for i in range(n):
        # 找到(每列)特征中的最小值和最大值
        rangeMin = dataMatrix[: i].min()
        rangeMax = dataMatrix[: i].max()
        # 计算步长
        stepSize = (rangeMax - rangeMin) / numSteps
        for j in range(-1 int(numSteps) + 1):
            # 大于和小于的情况均遍历,lt:Less than  gt:greater than
            for inequal in [‘lt‘ ‘gt‘]:
                # 计算阈值
                threshVal = (rangeMin + float(j) * stepSize)
                # 计算分类结果
                predictedVals = stumpClassify(dataMatrix i threshVal inequal)
                # 初始化误差矩阵
                errArr = np.mat(np.ones((m 1)))
                # 分类正确的,赋值为0
                errArr[predictedVals == labelMat] = 0
                # 计算误差
                weightedError = D.T * errArr
                print(“split: dim %d thresh %.2f thresh ineqal: %s the weighted error is %.3f“ % (i threshVal inequal weightedError))
                # 找到误差最小的分类方式
                if weightedError < minError:
                    minError = weightedError
                    bestClasEst = predictedVals.copy()
                    bestStump[‘dim‘] = i
                    bestStump[‘thresh‘] = threshVal
                    bestStump[‘ineq‘] = inequa

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     目录           0  2018-12-17 08:25  MachineLearning
     目录           0  2018-07-26 09:23  MachineLearningAdaBoost_Project1
     文件        7450  2018-07-26 20:57  MachineLearningAdaBoost_Project1AdaBoost.py
     目录           0  2018-12-17 08:23  MachineLearningAdaBoost_Project2
     文件        7109  2018-07-26 21:51  MachineLearningAdaBoost_Project2AdaBoost.py
     文件       13547  2018-06-24 16:10  MachineLearningAdaBoost_Project2horseColicTest2.txt
     文件       60479  2018-06-24 16:10  MachineLearningAdaBoost_Project2horseColicTraining2.txt
     目录           0  2018-12-17 08:23  MachineLearningAdaBoost_Project3
     文件        1729  2018-07-27 15:19  MachineLearningAdaBoost_Project3AdaBoost.py
     文件       13547  2018-06-24 16:10  MachineLearningAdaBoost_Project3horseColicTest2.txt
     文件       60479  2018-06-24 16:10  MachineLearningAdaBoost_Project3horseColicTraining2.txt
     目录           0  2018-12-17 08:23  MachineLearningAdaBoost_Project4
     文件        7990  2018-07-29 15:16  MachineLearningAdaBoost_Project4AdaBoost.py
     文件       60479  2018-06-24 16:10  MachineLearningAdaBoost_Project4horseColicTraining2.txt
     目录           0  2018-12-17 08:23  MachineLearningApriori_Project1
     文件        7857  2018-08-05 17:14  MachineLearningApriori_Project1Apriori.py
     文件      570408  2011-07-13 09:49  MachineLearningApriori_Project1mushroom.dat
     目录           0  2018-07-29 16:45  MachineLearningBayesianAnalysisWithPython
     文件        1481  2018-07-29 17:16  MachineLearningBayesianAnalysisWithPythonGauss.py
     目录           0  2018-12-17 08:23  MachineLearningBayes_Project1
     文件        7548  2018-07-21 15:29  MachineLearningBayes_Project1Bayes.py
     目录           0  2018-12-17 08:23  MachineLearningBayes_Project2
     文件        8969  2018-07-21 16:40  MachineLearningBayes_Project2Bayes.py
     目录           0  2018-12-17 08:23  MachineLearningBayes_Project2email
     目录           0  2018-12-17 08:23  MachineLearningBayes_Project2emailham
     文件         141  2018-06-24 16:10  MachineLearningBayes_Project2emailham1.txt
     文件          82  2018-06-24 16:10  MachineLearningBayes_Project2emailham10.txt
     文件         122  2018-06-24 16:10  MachineLearningBayes_Project2emailham11.txt
     文件         172  2018-06-24 16:10  MachineLearningBayes_Project2emailham12.txt
     文件         164  2018-06-24 16:10  MachineLearningBayes_Project2emailham13.txt
     文件         162  2018-06-24 16:10  MachineLearningBayes_Project2emailham14.txt
............此处省略8959个文件信息

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件举报,一经查实,本站将立刻删除。

发表评论

评论列表(条)