開發環境千萬個,蘿蔔青菜給有所愛,這裏給搭建推薦用idea了java
下載idea https://www.jetbrains.com/ide...python
上代碼以前得安裝這個分詞包,秒級安裝鏡像pip install jieba -i https://pypi.douban.com/simple/
好,上代碼:算法
import jieba; str = "中國是工人階級領導的以工農聯盟爲基礎的人民民主專政的社會主義國家"; res = " ".join(jieba.cut(str)) print(res)
運行效果以下:
機器學習
上代碼:ide
#coding=utf8 '''建立數據源、返回數據集和類標籤''' def creat_dataset(): datasets = [[8,4,2],[7,1,1],[1,4,4],[3,0,5]]#數據集 labels = ['很是熱','很是熱','通常熱','很是熱']#類標籤 return datasets,labels if __name__ == '__main__': datasets,labels = creat_dataset() print(datasets,'\n',labels)
運行結果:
工具
上代碼:學習
#coding=utf8 import numpy as np from numpy import * import matplotlib import matplotlib.pyplot as plt '''建立數據源、返回數據集和類標籤''' def creat_dataset(): datasets = array([[8,4,2],[7,1,1],[1,4,4],[3,0,5]])#數據集 labels = ['很是熱','很是熱','通常熱','很是熱']#類標籤 return datasets,labels '''可視化數據分析''' def analyse_data_plot(x,y): plt.scatter(x,y) plt.show() if __name__ == '__main__': datasets,labels = creat_dataset() print('數據集:\n',datasets,'\n','類標籤:\n',labels) '''數據可視化分析''' analyse_data_plot(datasets[:,0],datasets[:,1])
運行結果:
搜索引擎
上代碼:idea
#coding=utf8 import numpy as np from numpy import * import matplotlib import matplotlib.pyplot as plt '''建立數據源、返回數據集和類標籤''' def creat_dataset(): datasets = array([[8,4,2],[7,1,1],[1,4,4],[3,0,5]])#數據集 labels = ['很是熱','很是熱','通常熱','很是熱']#類標籤 return datasets,labels '''可視化數據分析''' def analyse_data_plot(x,y): plt.scatter(x,y) plt.show() '''構造KNN分類器''' #def knn_Classifier(newV,datasets,labels,2): #1.獲取新的樣本數據 #2.獲取樣本庫的數據 #3.選擇K值 #4.計算樣本數據與樣本庫數據之間的距離 #5.根據距離進行排序 #6.針對K個點,統計各個類別的數量 #7.投票機制,少數服從多數原則 '''歐氏距離計算:d²=(x1-x2)²+(y1-y2)²''' def ComputerEuclideanDistance(x1,y1,x2,y2): d = math.sqrt(math.pow((x1-x2),2)+math.pow((y1-y2),2)) return d '''歐氏距離計算多維度支持''' def EuclideanDistance(instance1,instance2,length): d=0 for i in range(length): d += pow((instance1[i]-instance2[i]),2) return math.sqrt(d) if __name__ == '__main__': #1.建立數據集和類標籤 datasets,labels = creat_dataset() print('數據集:\n',datasets,'\n','類標籤:\n',labels) #2.數據可視化分析 #analyse_data_plot(datasets[:,0],datasets[:,1]) #3.1.歐式距離計算 d = ComputerEuclideanDistance(2,4,8,2) print(d) #3.2.歐式距離計算 d2 = EuclideanDistance([2,4],[8,2],2) print(d2) #3.3.歐式距離計算,可支持多維 d3 = EuclideanDistance([2,4,9],[8,2,5],3) print(d3) #KNN分類器 newV = [2,4,0] #knn_Classifier(newV,datasets,labels,2)
運行結果:
spa
下一篇筆記分享學習以下內容
本文由博客羣發一文多發等運營工具平臺 OpenWrite 發佈