numpy 在机器学习中 常用函数总结
1. 矩阵的重建:
numpy.reshape(a, newshape, order='C')
矩阵重建, 将矩阵a变成新的形状 如:
>>> a = np.arange(6).reshape((3, 2))
>>> a
array([[0, 1],[2, 3],[4, 5]])>>> np.reshape(a, (2, 3)) # C-like index ordering
array([[0, 1, 2],[3, 4, 5]])>>> np.reshape(a, (3,-1)) # the unspecified value is inferred to be 2
array([[1, 2],[3, 4],[5, 6]])
2. 矩阵相乘
numpy.matmul(a, b, out=None)
将两个矩阵a,b相乘,即数学中的矩阵乘法
For 2-D arrays it is the matrix product:>>> a = [[1, 0], [0, 1]]
>>> b = [[4, 1], [2, 2]]
>>> np.matmul(a, b)
array([[4, 1],[2, 2]])For 2-D mixed with 1-D, the result is the usual>>>>> a = [[1, 0], [0, 1]]
>>> b = [1, 2]
>>> np.matmul(a, b)
array([1, 2])
>>> np.matmul(b, a)
array([1, 2])
3. 生成服从正态分布(均值为0, 方差为1)的数据
np.random.randn(d1,d2,d3....)
1) 当函数括号内没有参数时,则返回一个浮点数;
2)当函数括号内有一个参数时,则返回秩为1的数组,不能表示向量和矩阵;
3)当函数括号内有两个及以上参数时,则返回对应维度的数组,能表示向量或矩阵;
4)np.random.standard_normal()函数与np.random.randn()类似,但是np.random.standard_normal()
的输入参数为元组(tuple).
5) np.random.randn()的输入通常为整数,但是如果为浮点数,则会自动直接截断转换为整数。
import numpy as np
>>>np.random.randn()
>>>np.random.randn(1)
>>>np.random.randn(2)
>>>np.random.randn(3,3)
>>>np.random.randn(5,2)
4. 生成多元正态分布矩阵:
multivariate_normal(mean, cov, size=None, check_valid=None, tol=None)
其中mean和cov为必要的传参,而size和check_valid以及tol为可选参数。
mean:多为分布的均值 cov:协方差矩阵,如果是需要自己生成时需要注意,协方差矩阵应该是半正定矩阵
size:指定生成的正态分布矩阵的维度
5 . 生成均匀分布的数据样本
numpy.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)
在指定的间隔内返回均匀间隔的数字。
start:起始值 stop:结束值 num: 需要的样本个数
综合使用: 自己生成样本数据,然后利用逻辑回归进行拟合:
import numpy as npnum_ob = 100
np.random.seed(12)#利用高斯分布来生成样本,样本的个数为100个,每一个样本都是20维,相当于20个属性,
#因此需要设计每个属性的均值,这也就是为什么第一个参数是20维,同时也要设计属性与属性之间的方差,也就是协方差矩阵为20*20
x = np.random.rand(20,20)
#这一行将cov = x的转置×x 是保证矩阵为半正定
cov = np.matmul(x.T, x)
#利用高斯分布生成样本,第一个参数为均值,第二个为协方差护着方差,第三个为样本数量
X1 = np.random.multivariate_normal(np.random.rand(20),cov, num_ob)
X2 = np.random.multivariate_normal(np.random.rand(20)+5,cov, num_ob)
#以横向或者竖向的方式来堆叠样本, horizontal 和vertical
X = np.vstack((X1,X2)).astype(np.float32)
y = np.hstack((np.zeros(num_ob), np.ones(num_ob)))from sklearn.linear_model import LogisticRegression
clf = LogisticRegression(fit_intercept=True, C = 0.1, penalty='l1',solver='liblinear')
clf.fit(X,y)
numpy 在机器学习中 常用函数总结相关推荐
- Py之Numpy:Numpy库中常用函数的简介、应用之详细攻略
Py之Numpy:Numpy库中常用函数的简介.应用之详细攻略 目录 Numpy库中常用函数的简介.应用 1.X, Y = np.meshgrid(X, Y) 相关文章 Py之Numpy:Numpy库 ...
- TF:tensorflow框架中常用函数介绍—tf.Variable()和tf.get_variable()用法及其区别
TF:tensorflow框架中常用函数介绍-tf.Variable()和tf.get_variable()用法及其区别 目录 tensorflow框架 tensorflow.Variable()函数 ...
- [转载] NumPy 基本操作(ndarray通用函数 / 常用函数)
参考链接: Python中的numpy.cosh ndarray通用函数 / 常用函数 一.ufunc:numpy 模块中对 ndarray 中数据进行快速元素级运算的函数,也可以看做是简单的函数(接 ...
- AI:人工智能概念之机器学习中常用算法的思维导图集合(非常经典、建议收藏)之详细攻略
AI:人工智能概念之机器学习中常用算法的思维导图集合(非常经典.建议收藏)之详细攻略 目录 机器学习算法的思维导图集合 1.ML算法思维图 2.ML算法思维导图 相关文章:ML/DL:关于算法模型的选 ...
- oracle中各种函数,oracle中常用函数大全
1.数值型常用函数 函数 返回值 样例 显示 ceil(n) 大于或等于数值n的最小整数 select ceil(10.6) from dual; 11 floor(n) 小于等于数值n的最大整数 s ...
- concat函数_三、P57-61 MySQL中常用函数
本部分主要讲解MySQL数据库中常用函数的使用. P57 SQL中的函数类型:字符串函数.数值函数.日期和时间函数.流程函数.其他常用函数: P58 第1部分:字符串函数 1.concat函数 con ...
- 计算机应用常用的30个函数,Excel中常用函数的使用
ISSN 1009-30" 咖船r Kno别b内e and伯叻肋叻电奠知识'i技术 V01.6,No.30,October20lO,pP.8523-8524E-mail:x8jl@cccc. ...
- php开发中常用函数总结,PHP开发中常用函数总结
PHP开发中常用函数总结 发布于 2014-10-31 08:34:03 | 48 次阅读 | 评论: 0 | 来源: 网友投递 PHP开源脚本语言PHP(外文名: Hypertext Preproc ...
- 机器学习中常用的优化算法:
http://blog.csdn.net/losteng/article/details/50993911 有知识点和代码的实现过程. 机器学习中常用的优化算法: 1.梯度下降法 2.牛顿法和拟牛顿法 ...
最新文章
- Ubuntu17.10 下配置caffe 仅CPU i386可以直接apt install caffe-cpu,但是怎么运行mnist代码我懵逼了...
- mac实际上是非常适合编程的,我之前的认识的确是有些有限的
- 数据可视化的基本原理——视觉通道
- Java基础——Java IO详解
- 阿里云rds for mysql平台介绍_阿里云RDS for MySQL 快速入门——笔记
- e - 数据结构实验之查找五:平方之哈希表_leetcode算法之哈希表
- Java中线程安全的单例模式
- 那些你不可错过的Java博客
- halcon修改程序框字体大小
- winfrom DotNetBar sideNav控件使用问题
- 电脑带不动虚幻引擎渲染卡顿怎么办?本文给你支招
- 一级建造师考试备考各科知识点记忆技巧
- 阿里云大学安全课程-阿里云首席安全研究员吴瀚清:WannaCry事件最“细思恐极“的一个事实是?...
- 数学公式中的希腊字母读音
- cent怎么读(centre怎么读)
- 针对部分16系显卡通过VS2017编译的YOLOV3测试成功但图像无检测框的问题:
- 2019世界区块链大会•乌镇第2日金句集锦
- 百度地图定位API,精度提高
- openresty mysql 批量_OpenResty负载均衡MySQL
- Day02:Linux进阶(二)
热门文章
- python学习之文件处理
- 利用matlab自带函数graycoprops 实现基于共生矩阵的遥感图像纹理特征分析
- opencv 学习第4课 将鼠标作为笔刷使用
- javascript鼠标滚轮滚动实现模块的伸缩功能
- [Python] 关键字 assert
- [转] 面向对象编程 - 类和实例
- 吴恩达神经网络和深度学习-学习笔记-39-计算机视觉现状
- 一个demo学会c#
- 均方根误差RMSE(Root Mean Square Error)
- Perceptual Losses for Real-Time Style Transfer and Super-Resolution 运行程序