本文共 2095 字，大约阅读时间需要 6 分钟。

分类

5.1分类模型述语 类别、标签、种类：预测的各种不同的选择 二元分类：从两个种类或类别选取一种 例如是/否欺诈 多元分类：两个以上的类别中选取一种 标记数据或者注释数据：真实世界的观察记录、或者是相应类别的配对记录 5.2逻辑回归 逻辑回归的函数包github.com/xlvector/hector github.com/cdipaolo/goml github.com/sjwhitworth/golearn 逻辑函数 f(x) = 1 / 1 + e^-x (指数形式)

用比值比的对数的方法来推测A和B的发生的概率

import (	"image/color"	"log"	"math"	"gonum.org/v1/plot/vg"	"gonum.org/v1/plot/plotter"	"gonum.org/v1/plot")func logistic(x float64) float64 {
   	return 1 / (1 + math.Exp(-x))}func main() {
   	p, err := plot.New()	if err != nil {
   		log.Fatal(err)	}	p.Title.Text = "Logistic Function"	p.X.Label.Text = "x"	p.Y.Label.Text = "y"	// 创建曲线函数	logisticfunc := plotter.NewFunction(func(x float64) float64 {
    return logistic(x) })	logisticfunc.Color = color.RGBA{
   B: 255, A: 255}	p.Add(logisticfunc)	p.X.Max = 10	p.X.Min = -10	p.Y.Min = -0.1	p.Y.Max = 1.1	if err := p.Save(4*vg.Inch, 4*vg.Inch, "logistic.png"); err != nil {
   		log.Fatal(err)	}}

逻辑回归的假设和陷阱	比值的对数程线性关系 ： 逻辑回归潜在的假设是可以构建比值比对数的线性模型	因变量的编码	观察的独立性：数据中的每个x示例都应该保持独立即避免相同的实例被包含多次	常见的陷阱：	逻辑回归对异常值更加敏感	逻辑回归的指数标准从未到达0.0后者1.0 因此评估评估标准不太可能退化	解决分类问题应当首先考虑	代码示例	书p101-106

5.3 k-最近邻

github上有很多go语言的机器学习包 rikonor/go-ann akreal/knn cdipaolo/goml

Knn：根据类似的记录对记录进行分类，不会有复杂的参数和选项	分类新点的操作：		1.找到距离新点的k个最近点(相似度量)		2.确定这个k个最近的邻居中有多少是a类有多少是b类		3.将这个新的点分类为k个最近邻域中的主导类相似度量：欧几里得距离、曼哈顿距离、Minkowski距离、余弦相似度、jaccard相似度  优先选取欧几里得距离陷阱：	k-NN属于惰性假设	k可以随意选择 常用搜索k值的范围 k是在测试集上进行评估的	k-NN没有考虑哪些特征相对于其他特征更重要示例 使用之前的鸢尾花做示例

import (	"fmt"	"log"	"math"	"github.com/sjwhitworth/golearn/evaluation"	"github.com/sjwhitworth/golearn/knn"	"github.com/sjwhitworth/golearn/base")func main() {
   	// 将数据处理为内部格式istance	irisdata, err := base.ParseCSVToInstances("D:/gocode/iris.csv", true)	if err != nil {
   		log.Fatal(err)	}	// 进行交叉验证 5次交叉	knn := knn.NewKnnClassifier("euclidean", "linear", 2)	cv, err := evaluation.GenerateCrossFoldValidationConfusionMatrices(irisdata, knn, 5)	if err != nil {
   		log.Fatal(err)	}	// 输出准确度	mean, Variance := evaluation.GetCrossValidatedMetric(cv, evaluation.GetAccuracy)	stdev := math.Sqrt(Variance)	fmt.Printf("\naiiurancy\n%0.2f(+/-%.f)\n\n", mean, stdev*2)}

遇到代码编译问题可以私信我

转载地址：http://igydi.baihongyu.com/