飞洋的博客 | Gavin Blog

北京房价再预测

基于神经网络

玉楼金阙慵归去且插梅花醉洛阳前言之前为练手Scikit-Learn，使用了一套北京房价数据，由于初学了Tensorflow，便跃跃欲试，便在之前的基础上，利用神经网络练手那套数据了。步骤准备数据沿用之前的数据清洗以及准备代码，得到待使用的数据集： import pandas as pd from sklearn.model_selection imp...

Posted by Gavin on June 14, 2019

部署网站

基于Nginx+Django+FastCGI/uWSGI

诗万首，酒千觞几曾著眼看侯王前言介绍 Django提供了友好的开发环境，当我们完成开发，准备部署的时候，就该考虑另外的问题了。我决定使用Nginx+Django+FastCGI部署一个网站，特此记录。但是中途发现高版本Django已经不支持FastCGI了，因此采用了uWSGI FastCGI FastCGI是一种服务器与应用通讯的协议，FastCGI全称快速通...

Posted by Gavin on June 13, 2019

机器学习（十）

人工神经网络

小楼一夜听春雨深巷明朝卖杏花前言介绍人工神经网络是深度学习中的核心，本次将学习一个ANN架构的快速教程，然后学习多层感知器（MLP），并用其解决MNIST数字分类问题。人工神经元有一个或多个二进制（开／关）的输入和一个二进制输出，当一定数量的输入都是激活状态时，人工神经元就会激活其输出。感知器介绍感知器是最简单的ANN架构之一，它基于一个...

Posted by Gavin on June 10, 2019

机器学习（九）

运行TensorFlow

醉后不知天在水满船清梦压星河前言 TensorFlow是一个用于数值计算的强大开源库，非常适合大型机器学习项目。其背后原理很简单，先定义一个用来计算的图，然后执行计算。基本操作安装 pip3 install --upgrade tensorflow 检验是否安装成功： python3 -c 'import tensorflow; print(ten...

Posted by Gavin on June 6, 2019

机器学习（八）

降维

落花人独立微雨燕双飞前言机器学习问题有时候训练实例会涉及几千或上百万个特征，这导致训练十分缓慢，也让我们更难找到合适的方案。因此可以通过减少特征的数量来转化问题难度。但是数据降维会丢失一些数据信息，因此降维虽能加速训练，也会轻微降低系统性能，也让流水线更加复杂。目前降维方法主要有两种：投影、流形学习，降维技术主要有三种常用的：PCA、Kernal PCA、LLE P...

Posted by Gavin on June 5, 2019

机器学习（七）

集成学习和随机森林

细雨湿衣看不见闲花落地听无声前言集成学习：聚合一组预测器（分类或回归）的预测随即森林：基于一组决策树，每棵树都是对训练集不同随机子集进行训练，预测结果为得票最多的类别集成方法：bagging、boosting、stacking… 集成学习投票分类器聚合所有分类器的预测，得票最多的结果作为预测类别，这种大多数投票分类器叫做硬投票分类器...

Posted by Gavin on June 3, 2019

Nginx+PHP服务器架设

基于Cent OS 7

岁暮天寒彤云酿雪前言因为个人比较熟悉Python、Django，所以想在自己的服务器上架设相关服务，但是原有的服务是基于Apache、PHP的，因此想到用Nginx替代Apache。介绍 Nginx与Apache一样，是web服务器程序。Nginx较之Apache是一个高性能、高并发、低消耗的Http和反向代理服务器，同时也提供了IMAP/POP3/SM...

Posted by Gavin on May 22, 2019

机器学习（六）

决策树

啼鸟还知如许恨料不啼清泪长啼血概述决策树也是一种多功能的机器学习算法，它可以实现分类和回归任务，甚至是多输出任务。它们功能强大、能够拟合复杂数据集。决策树训练和可视化在鸢尾花上训练一个决策树分类器 iris = load_iris() X = iris.data[:,2:]#petal length and width y = ...

Posted by Gavin on April 30, 2019

机器学习（五）

支持向量机

美人迈兮音尘阙，隔千里兮共明月临风叹兮将焉歇，川路长兮不可越概述支持向量机（SVM）是一个功能强大并且全面的机器学习模型，它能够执行线性分类、非线性分类、回归甚至是异常检测任务。SVM特别适合中小型复杂数据集的分类。线性SVM分类基本理论左图是几个线性分类模型，其中虚线模型效果很差，橙、紫两个模型表现还凑合，但是太多实例在决策边界附近，泛化效果不理想。...

Posted by Gavin on April 26, 2019

机器学习（四）

训练模型

醉后骑龙吹铁笛酒醒不知何处概述一般情况下，我们不需要了解一个模型内部的工作细节。但是理解一个系统是如何工作的，有助于找到合适的模型、正确的训练算法，以及一套合适的超参数，而且能让我们更高效地执行错误调试和错误分析。训练模型方法闭式方程直接计算出最适合训练集的模型参数（也就是使训练集上的成本函数最小化的模型参数）梯度下降（迭代优化）通过迭代的方法...

Posted by Gavin on April 6, 2019

Gavin Blog