Fibonacci 数

产生前 n 个斐波那契数

### 用递归实现求第 n 个斐波那契数

基本概念

- 在结尾加; 结果不显示 - 黄金分割比： - clc清屏 - clear清空数据 - clf清除图表 - a=[ ; ; ] 生成数列 行与行之间用 ; 隔开 - pathtool指定默认路径 - syms 是定义符号变量 - ans会保存未初始化的结果

聚类分析基础

概述

概念

聚类是将数据对象的集合分成相似的对象类的过程。使得同一个簇（或类）中的对象之间具有较高的相似性，而不同簇中的对象具有较高的相异性。 #### 表示形式 聚类分析(clustering analysis)就是根据某种相似性度量标准，将一个没有类别标号的数据集S直接拆分成若干个子集Ci (i=1,2, …,k; m≤n)，并使每个子集内部数据对象之间相似度很高，而不同子集的对象之间不相似或相似度很低。 每个子集Ci称为一个簇，所有簇构成的集合C={C1 ,C2, …,Ck}称为数据集S的一个聚类。

一、概述

1. 原理：

• 工作机制：给定测试样本，基于某种距离度量找出训练集中的与其最靠近的k个训练样本，然后基于这k个“邻居”的信息来进行预测.
• 通常k是不大于20的整数

2. 优缺点

• 优点：精度高、对异常值不敏感、无数据输入假定

• 缺点：计算复杂度高、空间复杂度高，占用存储空间。无法给出数据的内在含义

• 适用数据范围：数值型和标称型

3. 懒惰算法：

• 此类学习技术在训练阶段仅仅把样本保存起来
• 训练开支为零，待收到测试样本后再进行处理
  阅读全文 »

例子1

创建数据

加载 tensorflow 和 numpy 两个模块, 并且使用 numpy 来创建我们的数据.

1
2
3
4
5
6

import tensorflow as tf
import numpy as np

# create data
x_data = np.random.rand(100).astype(np.float32)
y_data = x_data*0.1 + 0.3

搭建模型

用 tf.Variable 来创建描述 y 的参数. 我们可以把y_data = x_data*0.1 + 0.3想象成y=Weights * x + biases, 然后神经网络也就是学着把 Weights 变成 0.1, biases 变成 0.3.

1
2
3
4

Weights = tf.Variable(tf.random_uniform([1], -1.0, 1.0))
biases = tf.Variable(tf.zeros([1]))

y = Weights*x_data + biases

什么是TensorFlow?

TensorFlow是Google开发的一款神经网络的Python外部的结构包, 也是一个采用数据流图来进行数值计算的开源软件库.TensorFlow 让我们可以先绘制计算结构图, 也可以称是一系列可人机交互的计算操作, 然后把编辑好的Python文件 转换成 更高效的C++, 并在后端进行计算.

安装

Anaconda下安装TensorFlow

Windows下我使用Anaconda,基本包括了python机器学习需要的库 结果我的Anaconda下并没有TensorFlow，老老实实的安装

搭建TensorFlow 依赖环境

在 Anaconda Prompt 窗口输入： conda create -n tensorflow python=3.5 按提示安装依赖包 激活tensorflow虚拟环境（这里选择激活） activate tensorflow 关闭tensorflow虚拟环境

1

deactivate tensorflow

正交化 Normalization

数据标准化

preprocessing.scale( ) preprocessing.minmax_scale(X,feature_range=(0,1) ): feature_range是设置数据标准化后数据的范围，默认为0~1

1
2
3
4
5
6
7
8
9
10
11
12
13
14

from sklearn import preprocessing #标准化数据模块
import numpy as np

#建立Array
a = np.array([[10, 2.7, 3.6],
              [-100, 5, -2],
              [120, 20, 40]], dtype=np.float64)
# 打印出原来的a
print(a)
#将normalized后的a打印出
print(preprocessing.scale(a))
# [[ 0.         -0.85170713 -0.55138018]
#  [-1.22474487 -0.55187146 -0.852133  ]
#  [ 1.22474487  1.40357859  1.40351318]]

安装与更新

安装源

在 https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/ 寻找你与你电脑系统对应的版本进行安装 ### 测试 下载并安装完成后，打开Anaconda Prompt， 输入 ‘conda –V’, 如果输出如下信息 conda 4.3.30 说明Anaconda 安装成功。

简介与安装

概述

Scikit learn 也简称 sklearn, 是机器学习领域当中最知名的 python 模块之一.其包含了许多机器学习的方法的

Sklearn 把所有机器学习的模式整合统一起来了，学会了一个模式就可以通吃其他不同类型的学习模式。 ### 安装 * Windows下使用Anaconda(https://www.anaconda.com/download/)

选择学习方法（模型流程）

安装完 Sklearn 后，不要直接去用，先了解一下都有什么模型方法，然后选择适当的方法，来达到你的目标。 ### 看流程图选方法 klearn 官网提供了一个流程图，蓝色圆圈内是判断条件，绿色方框内是可以选择的算法：