代码看完今天的了

工作日志/2021年3月20日-今日计划.md

@@ -9,14 +9,15 @@
 
 > 学习深度学习框架pytorch和TensorFlow。
 1. 每天sklearn一个机器学习小算法
-   - [ ] k-近邻算法（学习原理、sklearn实践、malware）
-   - [ ] 决策树（学习原理、sklearn实践、malware）
+   - [x] k-近邻算法（学习原理、sklearn实践
+   - [ ] 、malware）
+   - [x] 决策树（学习原理、sklearn实践
+   - [ ] 、malware）
    - [x] 复习吴恩达机器学习笔记
    - [x] 复习吴恩达深度学习笔记
    - [x] 复习Python-numpy-scipy那一套
 2. 每天一个联邦学习框架
    - [ ] tensorflow
-   - [ ] tensorflow federated
 3. 每天一篇联邦学习的文章。
    - [ ] deepAMD
 4. 每天数据集处理一小步。

工作日志/2021年3月21日-今日计划.md

@@ -0,0 +1,13 @@
+1. 每天sklearn一个机器学习小算法
+   - [ ] 朴素贝叶斯（学习原理、sklearn实践
+   - [ ] 、malware）
+   - [ ] 逻辑回归（学习原理、sklearn实践
+   - [ ] 、malware）
+2. 每天一个联邦学习框架
+   - [ ] tensorflow federated
+3. 每天一篇联邦学习的文章。
+   - [ ] CIC动态数据处理和静态数据处理方式
+4. 每天数据集处理一小步。
+   - [ ] 实现静态数据处理脚本
+
+> 明天实现动态数据处理的脚本

机器学习/殷康龙/机器学习实战1源代码/3.DecisionTree/sklearn_dts_classify.py

@@ -0,0 +1,91 @@
+#!/usr/bin/python
+# -*- coding: UTF-8 -*-
+
+"""
+Created on 2017-06-29
+Updated on 2017-06-29
+DecisionTree: 决策树
+Author: 小瑶
+GitHub: https://github.com/apachecn/AiLearning
+"""
+print(__doc__)
+
+import numpy as np
+import matplotlib.pyplot as plt
+
+from sklearn.datasets import load_iris
+from sklearn.tree import DecisionTreeClassifier
+
+
+
+def createDataSet():
+    """
+    Desc:
+        创建数据集
+    Args:
+        无需传入参数
+    Returns:
+        返回数据集和对应的label标签
+    """
+    # dataSet 前两列是特征，最后一列对应的是每条数据对应的分类标签
+    dataSet = [[1, 1, 1],
+               [1, 1, 1],
+               [1, 0, 2],
+               [0, 1, 2],
+               [0, 1, 2]]
+    # labels  露出水面   脚蹼，注意: 这里的labels是写的 dataSet 中特征的含义，并不是对应的分类标签或者说目标变量
+    # 返回
+    return dataSet
+    
+def test_dts_fish():
+    datasets = np.array(createDataSet())
+    dataset = datasets[:,[0,1]]
+    labels = datasets[:,2]
+    dt_classifer = DecisionTreeClassifier().fit(dataset,labels)
+    Z = dt_classifer.predict(dataset)
+
+
+def test_dts_iris():
+    # 参数
+    n_classes = 3
+    plot_colors = "bry"
+    plot_step = 0.02
+
+    # 加载数据
+    iris = load_iris()
+
+    for pairidx, pair in enumerate([[0, 1], [0, 2], [0, 3], [1, 2], [1, 3], [2, 3]]):
+        # 我们只用两个相应的features
+        X = iris.data[:, pair]
+        y = iris.target
+
+        # 训练
+        clf = DecisionTreeClassifier().fit(X, y)
+
+        # 绘制决策边界
+        plt.subplot(2, 3, pairidx + 1)
+
+        x_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1
+        y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1
+        xx, yy = np.meshgrid(np.arange(x_min, x_max, plot_step),
+                            np.arange(y_min, y_max, plot_step))
+
+        Z = clf.predict(np.c_[xx.ravel(), yy.ravel()])
+        Z = Z.reshape(xx.shape)
+        cs = plt.contourf(xx, yy, Z, cmap=plt.cm.Paired)
+
+        plt.xlabel(iris.feature_names[pair[0]])
+        plt.ylabel(iris.feature_names[pair[1]])
+        plt.axis("tight")
+
+        # 绘制训练点
+        for i, color in zip(range(n_classes), plot_colors):
+            idx = np.where(y == i)
+            plt.scatter(X[idx, 0], X[idx, 1], c=color, label=iris.target_names[i],
+                        cmap=plt.cm.Paired)
+
+        plt.axis("tight")
+
+    plt.suptitle("Decision surface of a decision tree using paired features")
+    plt.legend()
+    plt.show()

机器学习/殷康龙/机器学习实战1源代码/3.DecisionTree/sklearn_dts_classify_demo.py

@@ -1,61 +0,0 @@
-#!/usr/bin/python
-# -*- coding: UTF-8 -*-
-
-"""
-Created on 2017-06-29
-Updated on 2017-06-29
-DecisionTree: 决策树
-Author: 小瑶
-GitHub: https://github.com/apachecn/AiLearning
-"""
-print(__doc__)
-
-import numpy as np
-import matplotlib.pyplot as plt
-
-from sklearn.datasets import load_iris
-from sklearn.tree import DecisionTreeClassifier
-
-# 参数
-n_classes = 3
-plot_colors = "bry"
-plot_step = 0.02
-
-# 加载数据
-iris = load_iris()
-
-for pairidx, pair in enumerate([[0, 1], [0, 2], [0, 3], [1, 2], [1, 3], [2, 3]]):
-    # 我们只用两个相应的features
-    X = iris.data[:, pair]
-    y = iris.target
-
-    # 训练
-    clf = DecisionTreeClassifier().fit(X, y)
-
-    # 绘制决策边界
-    plt.subplot(2, 3, pairidx + 1)
-
-    x_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1
-    y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1
-    xx, yy = np.meshgrid(np.arange(x_min, x_max, plot_step),
-                         np.arange(y_min, y_max, plot_step))
-
-    Z = clf.predict(np.c_[xx.ravel(), yy.ravel()])
-    Z = Z.reshape(xx.shape)
-    cs = plt.contourf(xx, yy, Z, cmap=plt.cm.Paired)
-
-    plt.xlabel(iris.feature_names[pair[0]])
-    plt.ylabel(iris.feature_names[pair[1]])
-    plt.axis("tight")
-
-    # 绘制训练点
-    for i, color in zip(range(n_classes), plot_colors):
-        idx = np.where(y == i)
-        plt.scatter(X[idx, 0], X[idx, 1], c=color, label=iris.target_names[i],
-                    cmap=plt.cm.Paired)
-
-    plt.axis("tight")
-
-plt.suptitle("Decision surface of a decision tree using paired features")
-plt.legend()
-plt.show()