Numpy库使用技巧(持续更新中)

摘要

numpy是python中常用的矩阵运算库。本文将记录学习和使用numpy库过程中遇到的有用的函数或者技巧。

 

 

 

 

numpy.ravel(a,order=''C)

https://docs.scipy.org/doc/numpy-1.12.0/reference/generated/numpy.ravel.html

将ndarray类型的输入数组a中的数据展成一行。参数C用来控制展开顺序。

 

 

[Read More…]

高斯过程分类(GPC)

高斯过程分类(GPC)

摘要

高斯过程不仅可以用于回归,还可以用于分类。如果把高斯过程的输出结果归一化到\(\left[0,1\right]\)区间内,则其结果可以代表一个数据属于某一类数据的概率。我们可以据此进行分类。这就是高斯过程分类的原理。本文将详述高斯过程二分类的原理,并将其扩展到多分类问题,并利用sklearn机器学习库给出其基本实现。

概述

高斯过程分类(以下简称GPC)与高斯过程回归(以下简称GPR)最大的不同在于,GPR中先验数据的回归值\(y\)往往是在连续函数上的取值,而GPC中的\(y\)是离散的数据标签。比如我们可以设定正样本的标签\(y=1\),负样本的标签\(y=-1\)。至此 [Read More…]

高斯过程回归(GPR)

高斯过程回归(GPR)

版权声明:本文为博主原创文章,转载请注明出处。

摘要

在概率论和统计学中,高斯过程(Gaussian process)是观测值出现在一个连续域(例如时间或空间)的统计模型。在高斯过程中,连续输入空间中每个点都是与一个正态分布的随机变量相关联。此外,这些随机变量的每个有限集合都有一个多元正态分布。高斯过程的分布是所有那些(无限多个)随机变量的联合分布,正因如此,它是连续域(例如时间或空间)的分布。高斯过程(Gaussian Processes)是一种通用的监督学习方法,多用于进行回归,也可以扩展用于解决分类问题。本文主要讲述高斯过程回归(GPR)的原理及应用。

高斯过程回归原理 [Read More…]

python数据可视化——函数图像的绘制

python数据可视化——函数图像的绘制

函数图像的绘制

我们一般利用matplotlib函数库进行函数图像的绘制。

步骤1  利用np.linespace()函数产生自变量

这里x是np.array类型。

步骤2   计算因变量的值

这里要注意,由于x是np.array类型,自己写函数时要使用numpy中提供的矩阵运算函数。

例如

步骤3  绘制函数图像

一张标准的函数图像包括图像本身、标题、坐标轴、图例等。示例如下。

[crayon-5b29ccf766d6 [Read More…]