四九圣尊
Lv.1
获赞:3262收藏:1354浏览:123801作品收藏:2805
Lv.1
在 【恶心！】腾飞工作室背后品质竟然如此恶心，令人作呕！希望官方看到！ 中回复
<script>alert("1")</p><script>alert("1")</script><p><script>alert("1")
2018-08-14T18:14:48 点赞:0
在 【恶心！】腾飞工作室背后品质竟然如此恶心，令人作呕！希望官方看到！ 中回复
<script>alert("1")</p><script>alert("1")</script><p><script>alert("1")</script>
2018-08-14T18:16:29 点赞:0
在 【恶心！】腾飞工作室背后品质竟然如此恶心，令人作呕！希望官方看到！ 中回复
<script>alert("1")</p><script>alert("1")</script><p><script>alert("1")</script><p><p>
2018-08-14T18:20:47 点赞:0
在 【B站】关于破解ep视频的思路 中回复
比如这个：https://www.bilibili.com/video/av3483495,访问他你会发现他定位到了另一个界面
2018-09-02T11:59:48 点赞:0
在 【机器人创作】小蓝——人工智能语音交互式机器人：招人啦！一起来开发！ 中回复
如果你能把你的训练数据集全部公开，肯定会有更多人加入的。不然找数据集很困难的！
2018-09-18T09:10:34 点赞:0
在 【算法题】来试试？奥数编程 中回复
a = []
for i in range(150):
a.append(1)
for i in range(len(a)):
if i%3==0:
a[i] = 0
for i in range(len(a)):
if i%5 == 0:
if a[i]==0:
a[i] = 1
else:
a[i] = 0
print(a.count(1))
2018-09-21T22:16:39 点赞:0
在 【机器人创作】小蓝——人工智能语音交互式机器人：招人啦！一起来开发！ 中回复
大佬你现在各种人工智能（语音，人脸等）技术招到几个了？我看看还能不能参加
2018-10-01T19:04:59 点赞:0
在 【萌新也能看懂系列】感知机如何对鸢尾花进行分类？ 中回复
附上全部代码：
from sklearn.datasets import load_iris
from matplotlib import pyplot as plt
#装载数据
data_f = load_iris()
data = data_f.data
target = data_f.target.tolist()
data = [x.tolist() for x in data]
print(data)
print(target)
#数据预处理
del target[90:150]#删掉标签为2的数据
del data[90:150]
for i in range(len(target)):#替换标签
if target[i] == 0:
target[i] = -1
print(target)
for i in range(len(data)):#删除后两个特征
del data[i][2:4]
#画图
data_x = []
data_y = []
for i in data:
data_x.append(i[0])
for i in data:
data_y.append(i[1])
plt.scatter(data_x[0:50],data_y[0:50])
plt.scatter(data_x[51:90],data_y[51:90])
plt.show()
#感知机算法
a1 = 1
a2 = 3
b = 1
lr = 0.1
def predict(x,y):
return a1*x + a2*y +b
for i in range(150):
for i in range(len(data)):
true = target[i]
prediction = predict(data[i][0],data[i][1])
if true == -1 and prediction >= 0:
a1 = a1 + lr*true*data[i][0]
a2 = a2 + lr*true*data[i][1]
b = b+lr*true
if true == 1 and prediction <0:
a1 = a1 + lr*true*data[i][0]
a2 = a2 + lr*true*data[i][1]
b = b+lr*true
right = 0
for i in range(len(data)):
true_test = target[i]
c_r = predict(data[i][0],data[i][1])
print("分类器返回：%s"%(c_r))
if c_r >= 0 and true_test == 1:
right += 1
if c_r < 0 and true_test == -1:
right += 1
print("正确率为;%s/%s"%(right,len(target)))
print("计算函数为：%s * x + %s * y + %s"%(a1,a2,b))
2018-10-01T22:36:49 点赞:0
在 【萌新也能看懂系列】感知机如何对鸢尾花进行分类？ 中回复
有一本叫《高中ai基础的书》。里面的所有例子有时间我都会做完了发出来给大家参考学习。书里面只有原理，没有代码。
2018-10-01T22:38:21 点赞:0
在 【萌新也能看懂系列】感知机如何对鸢尾花进行分类？ 中回复
进阶教程：
如果要分的类别有三个，不止两个，怎么办呢？
现在我们添加上野生鸢尾花，要分类的花种就有了：野生，变色，普通三种鸢尾花。
那么按照以前的方法，通过判断返回结果的正负性就已经无法完成这个任务了。因为返回值只有>=0的数和<0的数。不存在第三种。这时我们就需要训练三个不同的分类器，他们分别判断：这是野生鸢尾花吗？这是普通鸢尾花吗？这是变色鸢尾花吗？（返回值>=0就是，否则就不是）
将三个结果综合在一起，得到答案。比如，三个返回的值为（1，-1，-1）。那么他就是野生鸢尾花。因为其他两个分类器返回的值都是负数。
但是不排除返回值可能为两正一负甚至三正零负的可能。这时我们该如何处理呢？
比如返回结果为：（-1，2，3）。这时他是什么花呢？
现在我们就要使用归一化指数函数：
根据公式，分别计算e的-1，2和3次方。得出的结果分别为：0.368，7.389，20.086。
将他们全部加在一起得：27.843。再用每个数除以27.843.得0.368/27.843,7.89/27.843,20.086/27.843。
所得出的结果就是分类器返回的真实概率分别是：0.013,0.265,0.722。
所以选择最后一个，它是变色鸢尾花！
2018-10-02T14:08:08 点赞:0
在 【机器人创作】小蓝——人工智能语音交互式机器人：招人啦！一起来开发！ 中回复
意思其实就是我写了一个人脸识别的代码，你要不要。。。不是网上的api。。。。
2018-10-02T17:01:23 点赞:0
在 【萌新也能看懂系列2】哪条线好？向量机判断最佳决策边界。 中回复
但是优化方法的求解已远超同学们的现阶段只是（我也不会）。。。所以有兴趣的可以自行百度，明白了损失函数看起来会稍微轻松点，而且注意，这只是线性向量机！
2018-10-02T22:30:57 点赞:0
在 【萌新也能看懂系列4】没有类别标注则么办？kmeans！ 中回复
质心的灵活选择，kmeans++原理介绍：
kmeans很简单喵，它的最终目标就是让各个质心分布的尽可能远。这是它的操作流程：（这张图片少有的简单易懂。）
pick = random.randint(0,90)
d1 = data[pick]
biggest = 0
biggest_index = 0
for i in range(len(data)):
if distance(d1[0],d1[1],data[i][0],data[i][1])>biggest:
biggest = distance(d1[0],d1[1],data[i][0],data[i][1])
biggest_index = i
d2 = data[biggest_index]
这样就可以让电脑自动选择质心，不仅高效，而且更加准确！
2018-10-03T21:22:40 点赞:0
在 【萌新也能看懂系列4】没有类别标注则么办？kmeans！ 中回复
那么如何评估kmeans分类结果的好坏呢？
计算一类数据的方差便是一种方法。方差是各个数据与平均数之差的平方的平均数 比如1.2.3.4.5 这五个数的平均数是3 ，所以这五个数的方差就是 1/5[（1-3）²+（2-3）²+（3-3）²+（4-3）²+（5-3）²]=2
即数据离散程度越低，分类程度就越高。代码实现：
N_x_ra = 0#平均值
N_y_ra = 0#平均值
for i in range(len(Normal_x)):
N_x_ra += Normal_x[i]#一类样本的x轴
N_y_ra += Normal_y[i]#一类样本的x轴
N_x_ra = N_x_ra/len(Normal_x)#平均值
N_y_ra = N_y_ra/len(Normal_y)#平均值
Var_nx = 0#方差
Var_ny = 0#方差
for i in range(len(Normal_x)):
Var_nx += (Normal_x[i]-N_x_ra) ** 2
Var_ny += (Normal_y[i]-N_y_ra) ** 2
Var_nx = Var_nx/len(Normal_x)#方差
Var_ny = Var_ny/len(Normal_y)#方差
Var_b1 = (Var_nx+Var_ny)/2#方差平均值
print("SSE:" + str(Var_b1))
训练完成后的kmeans各个类别的方差是一样的。
通过计算方差还可以找出K的最佳取值，这里大家可以自己去尝试。
2018-10-03T22:01:38 点赞:0
