mpl_toolkits 第3页

基于贝叶斯推断的回归模型(代码篇)|机器学习你会遇到的“坑”

在昨天的课程中，我们提到属性的取值一旦由离散变得连续，就不能用频率来估计概率。但是我们可以用一个概率密度函数来指定属性的类条件概率的估计，比如令条件概率为一个高斯分布:高斯分布由两个参数（均值和标准差）唯一确定，我们唯一需要做的只是对高斯分布的参数进行估计，参数一旦估计完成，我们的学习过程也就结束了...

「周末AI课堂」核技巧(代码篇)|机器学习你会遇到的“坑”

天气炎热，防暑降温措施要记得哦。昨天，我们在《核技巧（理论篇）》中提到核技巧产生的动机是，在低维空间线性不可分的样本，经过映射到高维空间后就会变得线性可分，我们为了让样本线性可分，必须在高维空间中计算内积，而核技巧则会把高维空间的内积拉到低维空间来做，从而使得维数的升高不再是一个技术上的难题。...

通过叠加PCA和t-SNE对机器学习的降维

我们必须在任何机器学习任务中几乎总是执行的一个常见步骤是：维度降低以及用于实现以下目的的两种常用技术：主成分分析（PCA）t分布随机相邻嵌入（t-SNE）...

运用Numpy实现梯度下降优化算法的不同变体，这些你一定要知道

全文共14118字，预计学习时长30分钟或更长想了解如何使用numpy在tensorflow或pytorch中实现优化算法，以及如何使用matplotlib创建精美的动画？...

走进Matplotlib世界(十一)

回顾在走进Matplotlib世界（十）中，我们介绍了Matplotlib中的几个3D图表，包括3D线状图、3D散点图、线框图、曲面图和三角形曲面图的基本用法。今天我们介绍一下剩下的几个3D图表：3D等高线图，3D填充等高线图、多边形图、3D柱状图和3D箭图。3D等高线图...

走进Matplotlib世界(十)

回顾在走进Matplotlib世界（九）中，我们介绍了Matplotlib中箱型图的基本概念和用法，以及Matplotlib处理图像Image的基本方法。今天我们开始看一下Matplotlib中的3D图表。3D图这里我们介绍的3D图指的是相对于二维图形来讲的三维图形，可以理解为在原先x、y坐标轴的基...

解释结构模型——从矩阵到网络(含Python源码)

上一篇文章介绍了用Python实现了解释结构模型的从邻接矩阵到分层结构的过程，但解释结构模型实际上需要将输出展现为“图”，而非一堆数据。今天对前面的代码进行了改进，并附上一种数据可视化的方法。欢迎交流，如有需要请自取代码。上次将ISM表达为一个函数，这次修改为一个类。这样就可以通过调用其中的属性，...

科研必备!轻松将数据图形化，强大的 Python画图工具分享

今天介绍一个可以轻松将数据图形化的Python画图工具Matplotlib。Matplotlib...

神经网络的直观介绍

以视觉示例为中心的神经网络介绍。在这里，我们将探索神经网络。神经网络是一种受人脑结构和功能启发的机器学习模型。它们旨在识别模式并从数据中学习，从而能够做出预测。他们使用一种称为反向传播的方法来做到这一点。在深入了解完整细节之前，让我们先了解一下神经网络的历史以及它们首次使用的地方。...

用Python做科学计算——2维插值

fromIPython.core.displayimportHTMLdefcss_styling():styles=open('styles/custom.css','r').read()returnHTML(styles)cs...