c2c网站网址,商城网站怎么优化,做现货去哪些网站营销好呢,邮件网站怎么做的#x1f935;♂️ 个人主页: AI_magician #x1f4e1;主页地址#xff1a; 作者简介#xff1a;CSDN内容合伙人#xff0c;全栈领域优质创作者。 #x1f468;#x1f4bb;景愿#xff1a;旨在于能和更多的热爱计算机的伙伴一起成长#xff01;#xff01;… ♂️ 个人主页: AI_magician 主页地址 作者简介CSDN内容合伙人全栈领域优质创作者。 景愿旨在于能和更多的热爱计算机的伙伴一起成长 ♂️声明本人目前大学就读于大二研究兴趣方向人工智能硬件虽然硬件还没开始玩但一直很感兴趣希望大佬带带 【深度学习 | 核心概念】那些深度学习路上必经的核心概念确定不来看看 一 作者 计算机魔术师 版本 1.0 2023.8.27 摘要 本系列旨在普及那些深度学习路上必经的核心概念文章内容都是博主用心学习收集所写欢迎大家三联支持本系列会一直更新核心概念系列会一直更新欢迎大家订阅 该文章收录专栏 [✨— 《深入解析机器学习从原理到应用的全面指南》 —✨] toc
t-SNE 可视化
t-SNEt-Distributed Stochastic Neighbor Embedding是一种降维和可视化技术用于将高维数据映射到二维或三维空间中。它是一种非线性的降维方法旨在保留原始数据之间的局部相似性关系。由Laurens van der Maaten和Geoffrey Hinton于2008年提出。在此之前常用的降维方法如PCAPrincipal Component Analysis等主要关注全局结构而缺乏对局部结构的捕捉能力。
t-SNE通过计算样本之间的相似度并尝试在低维嵌入空间中保持这些相似度关系。它使用随机梯度下降等优化算法来最小化高维空间和低维嵌入空间之间的Kullback-Leibler散度。结果是具有类似特征的样本会在低维投影中更接近。
因为t-SNE能够捕捉到复杂、非线性结构以及聚类效应所以它通常被用于可视化高维数据集中不同类别或群组之间的分布关系。例如在机器学习领域可以使用t-SNE将特征向量表示为二维或三维点云图并观察不同类别样本之间的分离程度。
决策树可视化
scikit-learnsklearn的tree模块提供了一个方便的函数plot_tree用于可视化决策树模型。你可以使用以下步骤来使用plot_tree函数进行可视化以iris数据集为例 导入必要的库和模块在Python脚本中导入tree模块和matplotlib.pyplot库 可视化决策树使用plot_tree函数可视化决策树模型。 调用函数进行可视化在你的代码中调用visualize_decision_tree函数并传入决策树模型、特征名称和类别名称作为参数
from sklearn import tree
import matplotlib.pyplot as plt
from sklearn.datasets import load_irisdef visualize_decision_tree(decision_tree, feature_names, class_names):plt.figure(dpi300)tree.plot_tree(decision_tree, feature_namesfeature_names, class_namesclass_names,filledTrue, roundedTrue)plt.show()
clf tree.DecisionTreeClassifier(random_state0)
iris load_iris()
clf clf.fit(iris.data, iris.target)
visualize_decision_tree(clf,feature_names iris.feature_names, class_names iris.target_names)结果如下图
每一个节点都有分类阈值以及其gini指数和样本状态和类别状态。 在上面的代码中decision_tree是你的决策树模型feature_names是特征的名称列表class_names是类别的名称列表。visualize_decision_tree函数使用plot_tree函数将决策树模型绘制为图形。 运行代码后你将看到绘制出的决策树图形。
请注意plot_tree函数提供了一些可选参数可以用于自定义图形的外观。你可以查阅scikit-learn的文档以了解更多关于plot_tree函数的详细信息和可选参数的使用方式。 到这里如果还有什么疑问欢迎私信博主问题哦博主会尽自己能力为你解答疑惑的如果对你有帮助你的赞是对博主最大的支持
