本文用的是sciki-learn库的iris数据集进行测试。用的模型也是最简单的，就是用贝叶斯定理P(A|B) = P(B|A)*P(A)/P(B)，计算每个类别在样本中概率（代码中是pLabel变量） 以及每个类下每个特征的概率（代码中是pNum变量）。 写得比较粗糙，对于某个类下没有此特征的情况采用p=1/样本数量。 有什么错误有人发现麻烦提出，谢谢。 [python] view plain copy # -*- coding:utf-8 -*- from numpy import * from sklearn import datasets import numpy as np cl

TF（Term Frequency）词频，在文章中出现次数最多的词，然而文章中出现次数较多的词并不一定就是关键词，比如常见的对文章本身并没有多大意义的停用词。所以我们需要一个重要性调整系数来衡量一个词是不是常见词。该权重为IDF（Inverse Document Frequency）逆文档频率，它的大小与一个词的常见程度成反比。在我们得到词频（TF）和逆文档频率（IDF）以后，将两个值相乘，即可得到一个词的TF-IDF值，某个词对文章的重要性越高，其TF-IDF值就越大，所以排在最前面的几个词就是文章的关键词。 TF-IDF算法的优点是简单快速，结果比较符合实际情况，但是单纯以“词频”衡量一个

听歌识曲，顾名思义，用设备“听”歌曲，然后它要告诉你这是首什么歌。而且十之八九它还得把这首歌给你播放出来。这样的功能在QQ音乐等应用上早就出现了。我们今天来自己动手做一个自己的听歌识曲 我们设计的总体流程图很简单： —– 录音部分 —– 我们要想“听”，就必须先有录音的过程。在我们的实验中，我们的曲库也要用我们的录音代码来进行录音，然后提取特征存进数据库。我们用下面这样的思路来录音 # coding=utf8 import wave import pyaudio class recode(): def recode(self, CHUNK=44100, FORMAT=pyaudio

数据结构与算法，此代码是python版的，而且是非常全的，有数据结构和经典算法还有经典算法问题的解决

适用于python初学者练习，算法的练习。

单目标跟踪： 直接调用opencv中封装的tracker即可。 #!/usr/bin/env python3 # -*- coding: utf-8 -*- """ Created on Sun Jan 5 17:50:47 2020 第四章 kcf跟踪 @author: youxinlin """ import cv2 from items import MessageItem import time import numpy as np ''' 监视者模块,负责入侵检测,目标跟踪 ''' class WatchDog(object): #入侵检测者模块,用于入侵检测 def __in

在本篇内容里小编给大家整理了关于python快排算法的相关知识点内基础内容，需要的朋友们学习下。

Python数据结构与算法（几种排序） 数据结构与算法（Python） 冒泡排序 冒泡排序（英语：Bubble Sort）是一种简单的排序算法。它重复地遍历要排序的数列，一次比较两个元素，如果他们的顺序错误就把他们交换过来。遍历数列的工作是重复地进行直到没有再需要交换，也就是说该数列已经排序完成。这个算法的名字由来是因为越小的元素会经由交换慢慢“浮”到数列的顶端。 冒泡排序算法的运作如下： 比较相邻的元素。如果第一个比第二个大（升序），就交换他们两个。 对每一对相邻元素作同样的工作，从开始第一对到结尾的最后一对。这步做完后，最后的元素会是最大的数。 针对所有的元素重复以上的步骤

文章目录粒子群算法（PSO）代码实现1、导入需要的库2、设置参数3、适应度函数4、初始化粒子群5、迭代更新粒子群 粒子群算法（PSO） PSO 通过模拟鸟群的捕食行为来求取最优解。 假设一群鸟在随机搜索食物。在这个区域里只有一块食物（对应着最优解）。所有的鸟都不知道食物的具体位置，但是它们可以判断自身与食物的大致距离，即通过 fit 值判断与最优解的距离。那么找到食物的最优策略就是搜寻目前离食物最近的鸟的周围区域。 PSO 中，问题的每个解都是搜索空间中的一只“鸟”。我们称之为“粒子”。所有的粒子都有一个由被优化的函数决定的适应值，并且所有的粒子都具有速度和位置两个属性。 在每一次迭代中，粒子

python机器学习笔记（包含各类算法以及建模实例）