贝叶斯分类器处理连续属性分类问题

注:在这里就不写贝叶斯分类器的原理了。
当属性为连续值时,若直接计算先验概率,很容易造成p(x|c)=0的情况。

那么,处理连续属性,一般采用两种方法处理该问题。
1.把属性离散化。这种方法对于划分区间粒度大小要求较高,太小会造成p(x|c)=0的情况还是很多,太大会也会造成各个标签区分度不够明显。
2.假设连续的属性满足一种分布(一般采用正态分布)。先使用测的的样本数据计算出各个标签对应属性的均值和方差,则p(x|c)就可以用正态分布的公式求出。

android 在运行时请求权限

参考 https://developer.android.google.cn/training/permissions/requesting.html?hl=zh-cn

 // Here, thisActivity is the current activity
        if (ContextCompat.checkSelfPermission(this, Manifest.permission.READ_EXTERNAL_STORAGE)!=PackageManager.PERMISSION_GRANTED) {
            // Should we show an explanation?
            if (ActivityCompat.shouldShowRequestPermissionRationale(this,
                    Manifest.permission.READ_EXTERNAL_STORAGE)) {
                // Show an expanation to the user *asynchronously* -- don't block
                // this thread waiting for the user's response! After the user
                // sees the explanation, try again to request the permission.

            } else {

                // No explanation needed, we can request the permission.

                ActivityCompat.requestPermissions(this,
                        new String[]{Manifest.permission.READ_EXTERNAL_STORAGE},
                        0);

                // MY_PERMISSIONS_REQUEST_READ_CONTACTS is an
                // app-defined int constant. The callback method gets the
                // result of the request.
            }
        }

此处是获取读取sd卡内容的权限

python dataframe中元素替换

zip()可以将多个一维向量组合成元组列表

import numpy as np
a=[1,2,3]
b=[2,3,4]
z = zip(a,b)
print(list(z))
#输出  [(1, 2), (2, 3), (3, 4)]

于是当我们有一个dataframe

可以先利用zip创建一个dict

a=[1,2,3]
b=[2,3,4]
z = dict(zip(a,b))

再用过replace实现把1,2,3分别替换成,2,3,4

df.replace(z)

在现有多个共享键值表格的时候这样操作比较方便。

minist数据训练实例

首先加载必要模块和数据

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

设置一些常量

INPUT_NODE = 784 #输入层的节点数。对于MNIST数据集,这个就等于图片的像素。
OUTPUT_NODE = 10 #输出层的节点数。这个等于类别的数目。因为在MNIST数据集中需要区分的事0-9,所以这里输出层的节点数为10。
LAYER1_NODE = 500 #只有一个带有500个节点的隐藏层
BATCH_SIZE = 100  #定义batch的大小
LEARNING_RATE_BASE = 0.8  #基础的学习率


LEARNING_RATE_DECAY = 0.99  #学习率的衰减率
REGULARIZATION_RATE = 0.0001 #描述模型复杂度的正则化项在损失函数中的系数
TRAINING_STEPS = 30000   #训练轮数
MOVING_AVERAGE_DECAY = 0.99  #滑动平均距离

一个辅助训练的函数

def inference(input_tensor,avg_class,reuse = False):
    #当没有提供滑动平均类时,直接使用参数当前的取值
    #这里实际含义是: avg_class == None 时,是训练时的前向传播过程,else时是为了在测试时计算准确里用的
    #在复用之前训练的好的模型时,可以直接使reuse为True
    if avg_class == None:
        with tf.variable_scope('layer1',reuse = reuse):
            weights = tf.get_variable(name = 'weights',\
                                     initializer = tf.truncated_normal(stddev=0.1,shape = [INPUT_NODE,LAYER1_NODE]))
            biases = tf.get_variable(name = 'biases',shape=[LAYER1_NODE],\
                                    initializer = tf.constant_initializer(0.0))
            layer1 = tf.nn.relu(tf.matmul(input_tensor,weights)+biases)
        with tf.variable_scope('layer2',reuse = reuse):
            weights = tf.get_variable(name = 'weights',\
                                     initializer = tf.truncated_normal(stddev=0.1,shape = [LAYER1_NODE,OUTPUT_NODE]))
            biases = tf.get_variable(name = 'biases',shape=[OUTPUT_NODE],\
                                    initializer = tf.constant_initializer(0.0))
            return tf.matmul(layer1,weights)+biases
    else:
        with tf.variable_scope('layer1',reuse = reuse):
            weights = tf.get_variable(name = 'weights',\
                                     initializer = tf.truncated_normal(stddev=0.1,shape = [INPUT_NODE,LAYER1_NODE]))
            biases = tf.get_variable(name = 'biases',shape=[LAYER1_NODE],\
                                     initializer = tf.constant_initializer(0.0))
            layer1 = tf.nn.relu(tf.matmul(input_tensor,avg_class.average(weights))+avg_class.average(biases))
        with tf.variable_scope('layer2',reuse = reuse):
            weights = tf.get_variable(name = 'weights',\
                                     initializer = tf.truncated_normal(stddev=0.1,shape = [LAYER1_NODE,OUTPUT_NODE]))
            biases = tf.get_variable(name = 'biases',shape=[OUTPUT_NODE],\
                                     initializer = tf.constant_initializer(0.0))
            return tf.matmul(layer1,avg_class.average(weights))+biases

定义训练过程

def train(mnist):
    x = tf.placeholder(tf.float32,[None,INPUT_NODE],name='x-input')
    y_ = tf.placeholder(tf.float32,[None,OUTPUT_NODE],name='y-input')
    #truncated_normal生成正太分布值
    #隐藏层参数
    #weights1 = tf.Variable(tf.truncated_normal([INPUT_NODE,LAYER1_NODE],stddev=0.1))
    #biases1 = tf.Variable(tf.constant(0.1,shape=[LAYER1_NODE]))
    #输出层参数
    #weights2 = tf.Variable(tf.truncated_normal([LAYER1_NODE,OUTPUT_NODE],stddev=0.1))
    #biases2 = tf.Variable(tf.constant(0.1,shape=[OUTPUT_NODE]))

    #计算未使用滑动平均一次前向传播结果
    y = inference(x,None)
    #定义当前步数,移动平均时会用到,自动更新+1
    global_step = tf.Variable(0,trainable = False)
    #计算使用滑动平均的前向传播结果
    variable_averages = tf.train.ExponentialMovingAverage(MOVING_AVERAGE_DECAY,global_step)
    variables_averages_op = variable_averages.apply(tf.trainable_variables())
    average_y = inference(x,variable_averages,True)
    test_y = inference(x,None,True)
    #在前向传播过后计算交叉熵
    cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits(logits=test_y,labels=tf.argmax(y_,1))
    #交叉熵平均值
    cross_entropy_mean = tf.reduce_mean(cross_entropy)
    #正则项
    regularizer=tf.contrib.layers.l2_regularizer(REGULARIZATION_RATE)
    with tf.variable_scope("",reuse = True):
        regularization = regularizer(tf.get_variable("layer1/weights"))+regularizer(tf.get_variable("layer2/weights"))
    #损失等于交叉商加上正则项
    loss = cross_entropy_mean + regularization
    #定义学习率
    learning_rate = tf.train.exponential_decay(LEARNING_RATE_BASE,#基础学习速率
                                              global_step,       #当前迭代轮数
                                              mnist.train.num_examples/BATCH_SIZE,  #总共需要的迭代次数
                                              LEARNING_RATE_DECAY)      #学习率衰减速率
    #训练过程
    train_step = tf.train.GradientDescentOptimizer(learning_rate)\
                    .minimize(loss,global_step = global_step)
    #反向传播和滑动平均更新参数,这里直接实现了前向及逆向传播过程,在利用滑动平均更新参数的一整个过程
    #with tf.control_dependencies([train_step,variables_averages_op]):
        #train_op = tf.no_op(name='train')
    train_op = tf.group(train_step,variables_averages_op) 

    correct_prediction = tf.equal(tf.argmax(average_y,1),tf.argmax(y_,1))
    #计算出准确度,此处将bool转换成0,1,再用reduce_mean算1占的比例就可以得出准确度,可用一下注释代码验证
    #tmp = tf.Variable([True,False,True])
    #tmp1  = tf.cast(tmp,dtype=tf.float32)
    #with tf.Session() as sess1:
        #tf.global_variables_initializer().run()
        #print(sess1.run(tf.reduce_mean(sess1.run(tmp1))))
    accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
    with tf.Session() as sess:
        #验证数据
        tf.global_variables_initializer().run()
        validate_feed = {x:mnist.validation.images,y_:mnist.validation.labels}
        #测试数据
        test_feed = {x:mnist.test.images,y_:mnist.test.labels}

        for i in range(TRAINING_STEPS):
            if i%1000 == 0:
                validate_acc = sess.run(accuracy,feed_dict=validate_feed)
                print("after %d training step(s),validation accuracy " "using average model is %g" %(i,validate_acc))
            xs,ys = mnist.train.next_batch(BATCH_SIZE)
            sess.run(train_op,feed_dict={x:xs,y_:ys})
        test_acc = sess.run(accuracy,feed_dict=test_feed)
        print("after %d training step(s),validation accuracy " "using average model is %g" %(TRAINING_STEPS,test_acc))
        print()

开始执行

mnist = input_data.read_data_sets("/Users/zhouzelun/Documents/python/mnist_data",one_hot=True)
train(mnist)

Linux中profile、bashrc、bash_profile之间的区别和联系

/etc/profile:此文件为系统的每个用户设置环境信息,当用户第一次登录时,该文件被执行.并从/etc/profile.d目录的配置文件中搜集shell的设置.

英文描述为:

# /etc/profile

# System wide environment and startup programs, for login setup
# Functions and aliases go in /etc/bashrc

# It’s NOT a good idea to change this file unless you know what you
# are doing. It’s much better to create a custom.sh shell script in
# /etc/profile.d/ to make custom changes to your environment, as this
# will prevent the need for merging in future updates.

所以如果你有对/etc/profile有修改的话必须得重启你的修改才会生效,此修改对每个用户都生效。

/etc/bashrc:为每一个运行bash shell的用户执行此文件.当bash shell被打开时,该文件被读取.

英文描述为:

# /etc/bashrc

# System wide functions and aliases
# Environment stuff goes in /etc/profile

# It’s NOT a good idea to change this file unless you know what you
# are doing. It’s much better to create a custom.sh shell script in
# /etc/profile.d/ to make custom changes to your environment, as this
# will prevent the need for merging in future updates.

如果你想对所有的使用bash的用户修改某个配置并在以后打开的bash都生效的话可以修改这个文件,修改这个文件不用重启,重新打开一个bash即可生效。

~/.bash_profile:每个用户都可使用该文件输入专用于自己使用的shell信息,当用户登录时,该文件仅仅执行一次!默认情况下,他设置一些环境变量,执行用户的.bashrc文件.

此文件类似于/etc/profile,也是需要需要重启才会生效,/etc/profile对所有用户生效,~/.bash_profile只对当前用户生效。

~/.bashrc:该文件包含专用于你的bash shell的bash信息,当登录时以及每次打开新的shell时,该文件被读取.(每个用户都有一个.bashrc文件,在用户目录下)

此文件类似于/etc/bashrc,不需要重启生效,重新打开一个bash即可生效,  /etc/bashrc对所有用户新打开的bash都生效,但~/.bashrc只对当前用户新打开的bash生效。

~/.bash_logout:当每次退出系统(退出bash shell)时,执行该文件.

另外,/etc/profile中设定的变量(全局)的可以作用于任何用户,而~/.bashrc等中设定的变量(局部)只能继承/etc/profile中的变量,他们是”父子”关系.

~/.bash_profile 是交互式、login 方式进入bash 运行的;
~/.bashrc 是交互式 non-login 方式进入bash 运行的;
通常二者设置大致相同,所以通常前者会调用后者。

机器学习笔记(五)隐马尔可夫模型

概率图模型分为两类:第一类是使用有向无环图表示变量间的依赖关系,称为有向图模型和贝叶斯网;第二类是使用无向图表示变量间的相关关系,称为无向图模型或者马尔可夫网。

隐马尔可夫模型(HMM)是结构最简单的动态贝叶斯网。

HMM主要用于时序数据建模,在语音识别、自然语言处理等领域有广泛应用。

HMM的变量可以分为两组。第一组是状态变量用yi表示,通常假定状态变量是隐藏的、不可被观测的,因此状态变量亦称隐变量;第二组是观测变量,用xi表示,即在i时刻的可观测值。

在HMM中,系统通常在多个状态si之间转换,因此状态变量yi的取值范围通常有N个可能取值的离散空间。

马尔可夫链(在任一时刻,观测变量的取值仅依赖于状态变量,即xt由yt确定,与其他状态变量及观测变量的取值无关。同时yt只依赖于t-1时刻的yt-1)

HMM通常只是关注y

除了结构信息隐马尔可夫模型还需以下三组参数:

  • 状态转移概率  yi之间转换的概率,记为矩阵A
  • 输出观测概率  根据当前状态获得各个观测值的概率,记为矩阵B
  • 初始状态概率  模型在初始时刻的概率也就是y1=si的概率,记为pi

通过状态空间、观测空间和上述三组参数,就能确定一个隐马尔可夫模型。

  1. 设置t=1,并根据初始状态概率pi来选择初始状态y1;
  2. 根据状态yt和输出观测概率B选择观测变量取值xt;
  3. 根据状态yt和状态转移矩阵A转移模型状态,即确定yt+1;
  4. 若t<n,设置t=t+1,并转移到第二步,否则停止。
 
在实际应用中,人们常关注HMM的三个基本问题:
  • 给定模型(A,B,pi),如何有效计算其产生观测序列x={x1,x2,….,xn}的概率,即如何评估模型与观测序列之间的匹配度。
  • 给定模型(A,B,pi)和观测序列x={x1,x2,….,xn},如何找到与此观测序列最匹配的的状态序列y={y1,y2,…,yn},即根据观测序列推测出隐藏的模型状态。
  • 给定观测序列x={x1,x2,…,xn},如何调整模型参数(A,B,pi)使得该序列出现的概率P(x|(A,B,pi))最大,即如何训练模型使得其能最好的描述观测数据。