一、概述 上一篇文章我们利用ML.NET的多元分类算法实现了一个手写数字识别的例子，这个例子存在一个问题，就是输入的数据是预处理过的，很不直观，这次我们要直接通过图片来进行学习和判断。思路很简单，就是写一个自定义的数据处理通道，输入为文件名，输出为float数字，里面保存的是像素信息 ...

一、准备样本 接上一篇文章提到的问题：根据一个人的身高、体重来判断一个人的身材是否很好。但我手上没有样本数据，只能伪造一批数据了，伪造的数据比较标准，用来学习还是蛮合适的。 下面是我用来伪造数据的代码： View Code 制造成功后的数据 ...

一、概述 通过之前两篇文章的学习，我们应该已经了解了多元分类的工作原理，图片的分类其流程和之前完全一致，其中最核心的问题就是特征的提取，只要完成特征提取，分类算法就很好处理了，具体流程如下： 之前介绍过，图片的特征是不能采用像素的灰度值的，这部分原理的台阶有点高，还好可以直接使用 ...

手写数字数据集 # 导入手写数据集 from sklearn.datasets import load_digits data = load_digits() print(data) 图片数据预处理 x：归一化MinMaxScaler() y ...

1.手写数字数据集 from sklearn.datasets import load_digits digits = load_digits() from sklearn.datasets import load_digits digits ...

一、概述 本篇我们首先通过回归算法实现一个葡萄酒品质预测的程序，然后通过AutoML的方法再重新实现，通过对比两种实现方式来学习AutoML的应用。 首先数据集来自于竞赛网站kaggle.com的UCI Wine Quality Dataset数据集，访问地址：https ...

1.数据准备 样本数据获取忽略，实际上就是将32*32的图片上数字格式化成一个向量，如下： 本demo所有样本数据都是基于这种格式的 训练数据：将图片数据转成1*1024的数组，作为一个训练数据。 训练数据集：https://github.com/zimuqi ...

一、概述 这次要解决的问题是输入一张照片，输出人物的颜值数据。 学习样本来源于华南理工大学发布的SCUT-FBP5500数据集，数据集包括 5500 人，每人按颜值魅力打分，分值在 1 到 5 分之间。其中包括男性、女性、中国人、外国人四个分类 ...