python分类 python分类算法

python怎么对文件预测分类

“按照8:2的比例对项目分出训练集和测试集”：从数据源中随机抽取80%的数据作为“训练集”，其余的是“测试集”

import random with open("datasource.txt", 'rt') as handle:     dataset = [map(int, ln.split()) for ln in handle] # 乱序 random.shuffle(dataset) # [训练集, 测试集] pos = len(dataset) *.8 parts = dataset[:pos], dataset[pos:]

python属于哪一类书籍

属于计算机类书籍。

Python是计算机编程语言。

Python由荷兰数学和计算机科学研究学会的Guido van Rossum 于1990 年代初设计，作为一门叫做ABC语言的替代品。 Python提供了高效的高级数据结构，还能简单有效地面向对象编程。Python语法和动态类型，以及解释型语言的本质，使它成为多数平台上写脚本和快速开发应用的编程语言， 随着版本的不断更新和语言新功能的添加，逐渐被用于独立的、大型项目的开发。

所以，Python的书籍，应该属于计算机类别的书籍。

python中如何快速创建多个对象

先讲下基本概念，你所说的未初始化的类，我把它叫做类对象，初始化的类叫实例对象。

类对象中有个字典，存了class域下的所有函数对象。

其中，把一个函数用@classmethod修饰后，这个函数就变成了类方法，在类对象生成的时候就实例化了，并传入了一个参数，一般这个参数参数名为cls。

把一个函数用@staticmethod修饰后，这个函数也是类的静态方法，只不过不会默认传一个cls参数。

如果不用上述装饰器修饰，这个函数就是类的实例方法，会默认传一个参数，这个参数往往命名为self。

而这个self，需要__init__函数执行一下，才会传给实例方法，这就是初始化。

不过，python是动态语言，上述规则基本上靠约定俗成，解释器中没有很强的约束。

硬是要归类的化，你这里的不带参数的方法，应该归到staticmethod里面，在实际使用时应该加上一个修饰符，约定这是一个staticmethod。

至于这个方法有什么用呢？实际上没什么大用，classmethod是必须的，而staticmethod不是必须的。

我只是在把class当作用域用的时候或把class当字典用的时候，用过这个方法。

python怎么实现逻辑回归的梯度下降法

这个简单，尽管Python的scikit-learn库提供了易于使用和高效的LogisticRegression类，但我们自己使用NumPy创建自己的实现，可以更好地理解逻辑回归算法。

资料集

我们将使用Iris数据集，它包含3个类别，每个类别有50个实例，其中每个类别都表示一种鸢尾花植物。为简化目标，我们仅介绍前两个特征，而且我们简单使用其中两个分类，所以这是个二分类模型。

算法

给定一组输入X，我们希望将它们分配给两个可能的类别（0或1）之一。Logistic回归模型对每个输入属于特定类别的概率进行建模。

假设

一个函数接受输入并返回输出。为了生成概率，逻辑回归使用的函数为X的所有值提供0到1之间的输出。有许多满足此描述的函数，但是在这种情况下使用的是逻辑函数。在这里，我们将其称为sigmoid函数。

梯度下降

我们的目标是最小化损失函数，而我们必须达到的方法是通过增加/减少权重，即拟合权重。问题是，我们如何知道哪些参数应该更大，哪些参数应该更小？答案是相对于每个权重的损失函数的导数。它告诉我们如果修改参数，loss将如何变化。

然后，我们通过将它们减去导数乘以学习率来更新权重。

我们应该重复几次此步骤，直到获得最佳解决方案。

预测

通过调用sigmoid函数，我们可以得出某些输入x属于类别1的概率。让我们假设所有概率≥0.5 =类别1，所有概率<0 =类别0，应根据我们正在处理的业务问题来定义此阈值。

那现在我们把代码全部放在一起。

评估

以上代码如果我们以较小的学习率和更多的迭代来训练实现，我们将发现跟sklearn其中逻辑回归的权重大致相等。所以我们把上面的代码整合一下，就可以得到我们想要的逻辑回归算法，包括梯度下降法。