1、5个vmware服务打开2、虚拟网络编辑器还原默认配置，重启若没有成功卸载重新安装，在原来安装的地方点击会有修复
import matplotlib.pyplot as pltimport numpy as npx1=[3,2,1]y1=[104,100,81]x2=[101,99,98]y2=
1、函数介绍sorted(iterable, cmp=None, key=None, reverse=False)sorted(iterable, key=None, reverse=False)iterable：适合迭代的对象
1.将distance.txt里面的数据进行归一化处理,转化为[-1,1]之间import numpy as npa=np.genfromtxt("distance.txt",delimiter=",")np.set_printoptions(suppress=True)#print(array(a))def autoNorm(dataSet):
1.先进入根目录中mnt文件中创建应该cdrom文件2.使用mount命令执行挂载若出现找不到媒体的情况，就是虚拟机设置那的光盘设备状态没有在已连接选上选上之后挂载就成功了3.进入yum.repos.d
Storm搭建Storm是一个分布式的、容错的实时计算系统，可以方便地在一个计算机集群中编写与扩展复杂的实时计算，Storm用于实时处理，就好比 Hadoop 用于批处理。在Storm 的集群里面有两种节点：控制节点和工作节点。控制节点上面运行一个后台进程Nimbus，它的作用类似于Hadoop 里面的JobTracker。1、先关闭selinux、防火墙
网络文件系统NFS由于MPICH的安装目录和用户可执行程序在并行计算时需要在所有节点存副本，而且目录要相互对应，每次一个节点一个节点地复制非常麻烦，采用NFS（Netword File Systom，网络文件系统）后可以实现所有节点内容与主节点内容同步更新，并自动实现目录的对应。NFS使得所有机器都能以同样的路径
Network Time Protocol (NTP) （网络时间协议）1. master（主节点）安装软件包yum install chrony编辑/etc/chrony.confvi /etc/chrony.conf编辑内容：server NTP_SERVER iburst注意
手写识别系统，KNN算法实现手写识别系统的准确率(准确率=测试分对的样本数/总的样本数)import numpy as npfrom itertools import chainfrom os import listdir
1、什么时候用?决策树：有分类决策树和回归决策树决策树:适合处理离散型数据离散型数据(特征、属性)：取值可以具有有限个或无限可数个值，这个值可以用来定性描述属性的汉字、单词；当然也可以是整数，注意是整数，而不是浮点数。例如：长相：好、一般、不好看；是否有脚蹼(pu):是、否连续性数据:不是离散型数据的就是连续性数据;例如
读取play.csv文件中的内容，并计算数据集play.csv（未考虑任何特征前）的熵值。注：1、即使用熵值的公式2、在play.csv文件中outlook(天气),TEMPERATURE（温度）
构造决策树及决策树的可视化使用ID3算法画出的决策树ID3算法在进行特征划分时会优先选择信息增益最大的特征进行划分。一旦按某特征切分后，该特征在之后的算法执行中，将不再起作用（即不再考虑这个特征）。在这个特征划分后的样本中选择信息增益最大的其他特征，这样一步步划分下去。决策树算法的核心是要解决两个问题：
读取文件swimming.csv中的数据，作为训练集，使用sklearn中的决策树模型(参数选为criterion=‘entropy’),训练模型并画出决策时from sklearn import tree#调用sklearn决策
1、使用决策树预测隐形眼镜类型，隐形眼镜数据集(lenses.csv)是非常著名的数据集，它包含很多患者眼部状况的观察条件以及医生推荐的隐形眼镜类型e
若结果有误，请指出噢#1找到所有特征import numpy as np#from numpy import *def loadDataSet():
机器学习最常见的模型评估指标，其中包括：Precision（精确度）Recall（召回率）F1-score（F1值）PRC曲线ROC和AUCAccuracy（精度、准确率）和Error Rate
01.由数据集testSet.txt,求出回归方程????=????^????????,画出决策边界。02.由上述训练集确定回归方程参数，预测新的样本点；现在给定一个新的样本点
云服务概念和价值计算、存储、网络硬件弹性供给能力及其相互协同的不足，越来越成为软件价值提升的制约性因素企业信息化的重心向软件转移通过云操作系统，将数据中心多厂家异构的计算、存储、网络资源的水平融合，对外提供开放 与标准化的IT服务接口，实现面向利旧IT基础设施的“融合”通过融合架构一体机
import numpy as npfrom sklearn import datasetsfrom sklearn.model_selection import train_test_splitfrom sklearn.metrics import classification_report,confusion_matrix#性能指标(Me
TF-IDF算法在自然语言处理中非常重要的算法，用于计算一个词汇在文本中的重要性。TF-IDF(term frequency–inverse document frequency)是一种用于
计算词汇的TF-IDF的方法：（1）第一种方法是在用CountVectorizer类向量化之后再调用TfidTransformer类进行预处理（2）
案例1现在有100个样本点，部分数据截图如下：该数据前两列为特征数据，最后一列为标签因为只有两个特征，我以第一个特征作为横坐标的值，以第二个特征作为纵坐标的值。图像如下：现在我要找到决策边界(找到最佳的θ)对未知样本点进行预测分类案例1-线性逻辑斯蒂回归分类线性逻辑斯蒂-易错点的强调（1）数据的预处理-添加偏置项为每一
机器学习中常用的导公式和迹公式sigmoid函数Sigmoid/Logistic Function:分类思想决策边界-线性决策边界(decision boundary)，所谓决策边界就是能够把样本正确分类的一条边界
01.数据集ex2data1.txt，前两列是两个特征(第一列成绩1,第二列成绩2),最后一列是类别（0代表不被录取,1代表被录取）,利用线性逻辑回归算法训练数据集
01.根据数据集ex0.txt，画出样本点。并根据线性回归画出拟合直线。注:可以采用sklearn里面的线性回归算法也可以自己写线性回归算法import numpy as npimpor
若写博客需要把视频转成gif放到文章里，可以用这个功能https://www.aconvert.com/cn/video/mp4-to-gif/
Copyright © 2005-2025 51CTO.COM 版权所有 京ICP证060544号
