- 博客(11)
- 收藏
- 关注
RSS订阅原创 RuntimeError: random_device could not be read
RuntimeError: random_device could not be read
2023-06-15 22:08:38
1352
原创 使用Kaggle训练模型的记录
由于自己手头没有GPU资源，所以只能靠免费的GPU勉强做实验。之前使用的是Google Colab，但是用多用久了以后，就特别容易断，断开以后，基本上就寄了。所以又转向了Kaggle。Kaggle的好处就在于不用fq就能上传文件、运行代码，所以更稳定一点，目前我没有遇到跑着跑着突然断了的情况。这篇博客就记录下使用Kaggle的问题。
2023-02-11 17:38:40
6794
6
原创 ValueError: only one element tensors can be converted to Python scalars
Pytorch出现这个错误。起初原因是我想要把装着tensor的list转为tensor类型，即 [tensor(), tensor(), tensor()] 转为tensor，然后我是这样写的，a = torch.randn(1,2) # tensor([[-0.4962, 0.6034]])d = [a, a, a] # [tensor([[-0.4962, 0.6034]]), tensor([[-0.4962, 0.6034]]), tensor([[-0.4962, 0.6..
2021-06-28 10:02:30
1081
原创 编程实现之k近邻算法
kNN学习是一种常用的监督学习方法，原理可以说是相当简单了：给定测试样本，基于某种距离度量找出训练集中与其最靠近的k个训练样本，然后基于这k个“邻居”的信息来进行预测，在分类任务中，一般采用“投票法”。根据周志华老师在《机器学习》一书中给出的原理，用Python实现这一算法。距离度量采用欧式距离，预测则采用“投票法”，具体代码如下所示：import numpy as npimpor...
2019-09-11 16:51:13
1119
原创 编程实现之学习向量量化(LVQ)
与k均值算法类似，LVQ试图找到一组原型向量来刻画聚类结构，但是LVQ假设数据样本带有类别标记，学习过程利用样本的这些监督信息来辅助聚类。因此我的理解是LVQ是基于监督的聚类。根据周志华老师给出的算法步骤，我用Python编程实现了这一过程。具体代码如下：import pandas as pdimport matplotlib.pyplot as pltimport numpy ...
2019-09-10 11:04:29
1316
原创 编程实现之k均值算法
聚类属于无监督学习。周志华老师在《机器学习》一书中详细讲解了各种聚类算法，如k均值、学习向量量化、高斯混合聚类等。在这篇博客中，我根据周志华老师描述的算法步骤，用Python实现了 k均值算法。具体代码如下：import pandas as pdimport numpy as npimport randomimport matplotlib.pyplot as plt#首先从数据...
2019-09-09 11:07:05
1398
原创 编程实现之朴素贝叶斯算法
将周志华老师编写的《机器学习》一书中讲述的朴素贝叶斯分类器用Python编程实现。具体代码如下：import pandas as pd#首先从excel中导入数据集seZe = []genDi = []qiaoSheng = []wenLi = []qiBu = []chuGan = []haoGua = []df = pd.read_excel('西瓜数据集2....
2019-09-07 20:54:46
1475
原创 doc2vec的训练
防止以后要再次用到doc2vec。train_doc2vec.pyimport gensimimport jiebaimport deal_with_dataneg_file = open('D:/Python/project/selected_data/neg.txt', 'r')pos_file = open('D:/Python/project/selected_data/pos....
2018-02-09 11:04:18
2691
1
翻译 朴素贝叶斯分类器简单实现文本情感分析
朴素贝叶斯的一般过程：① 收集数据：可以使用任何方法。② 准备数据：需要数值型或者布尔型数据。③ 分析数据：有大量特征时，绘制特征作用不大，此时使用直方图效果更好。④ 训练算法：计算不同的独立特征的条件概率。⑤ 测试算法：计算错误率。⑥ 使用算法：一个常见的朴素贝叶斯应用是文档分类。可以在任意的分类场景中使用朴素贝叶斯分类器，不一定非要是文本。代码如下：
2017-08-08 17:36:29
7678
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人