jtyoui.ml package

Submodules

jtyoui.ml.classify module

jtyoui.ml.common module

jtyoui.ml.common.error_rate(h, label)

计算当前的错误率函数值

参数:

• h – 预测值
• label – 实际值

返回:

错误率

jtyoui.ml.common.get_cost(predict: numpy.asmatrix, label: numpy.asmatrix) → float

计算损失函数的值

参数:

• predict – 预测值
• label – 标签

返回:

损失函数的值

jtyoui.ml.common.line_regression_a_b(x: numpy.array, y: numpy.array)

求解线性回归的a和β值。即y=b+a*x

参数:

• x – 数据特征值：应该是两维度。即：[[],[],[]]
• y – 数据预测值;一维度。即：[]

返回:

a值、和b值

jtyoui.ml.common.sigmoid(x)

Sigmoid函数

jtyoui.ml.fm module

jtyoui.ml.fm.get_prediction(data, w0, w, v)

预测值

参数:

• data – 特征
• w0 – 一次项权重
• w – 常数项权重
• v – 交叉项权重

返回:

预测结果

jtyoui.ml.fm.initialize_v(n: int, k: int)

初始化交叉项

参数:

• n – 特征个数
• k – FM模型的度

返回:

交叉项的系数权重

jtyoui.ml.fm.stop_grad_ascent(data: numpy.asmatrix, label: numpy.asmatrix, k: int, max_iter: int, alpha: float) -> (<class 'float'>, <function asmatrix at 0x7fde2681cb70>, <function asmatrix at 0x7fde2681cb70>)

利用随机梯度下降法训练FM模型

参数:

• data – 数据特征
• label – 标签
• k – v的维度
• max_iter – 最大迭代次数
• alpha – 学习率

返回:

w0,w,v权重

jtyoui.ml.lr module

jtyoui.ml.lr.lr_train_bgd(feature: numpy.array, label: numpy.array, max_cycle: int, alpha: float) → numpy.asmatrix

利用梯度下降法训练逻辑回归模型（LR）

参数:

• feature – 特征
• label – 标签
• max_cycle – 最大迭代次数
• alpha – 学习率

返回:

w的权重

jtyoui.ml.neighbor module

jtyoui.ml.neighbor.knn_class_fit(train, label)

训练数据模型

jtyoui.ml.neighbor.knn_class_predict(models, predict_value)

预测模型

jtyoui.ml.neighbor.knn_regress_fit(train, label)

jtyoui.ml.neighbor.knn_regress_predict(models, predict_value)

jtyoui.ml.onehot module

jtyoui.ml.testdata module

Module contents

这个包都是一些机器学习的用例算法，不提供使用！