我们之前经常提起的K-means算法虽然比较经典,但其有不少的局限,为了改变K-means对异常值的敏感情况,我们介绍了K-medoids算法,而为了解决K-means只能处理数值型数据的情况,本篇便对K-means的变种算法——K-modes进行简介及Python.R的实现: K-modes是数据挖掘中针对分类属性型数据进行聚类采用的方法,其算法思想比较简单,时间复杂度也比K-means.K-medoids低,大致思想如下: 假设有N个样本,共有M个属性,均为离散的,对于聚类数目标K: ste

Python交互K线工具 K线核心功能+指标切换 aiqtt团队量化研究,用vn.py回测和研究策略.基于vnpy开源代码,刚开始接触pyqt,开发界面还是很痛苦,找了很多案例参考,但并不能完全满足我们自己对于检查自己的交易逻辑的需求,只能参考网上的案例自己开发 代码较多,大家可以直接到GitHub下载开源源码查看 欢迎加入QQ交流群: 538665416(免费提供,期货,期权数据) 团队界面需求: 界面加载k线, 鼠标滚轮缩放,键盘缩放跳转 十字光标 显示K线详细信息 缩放自适应Y轴坐标 回测

(一)KNN依旧是一种监督学习算法 KNN(K Nearest Neighbors,K近邻 )算法是机器学习全部算法中理论最简单.最好理解的.KNN是一种基于实例的学习,通过计算新数据与训练数据特征值之间的距离,然后选取K(K>=1)个距离近期的邻居进行分类推断(投票法)或者回归.假设K=1.那么新数据被简单分配给其近邻的类.KNN算法算是监督学习还是无监督学习呢?首先来看一下监督学习和无监督学习的定义.对于监督学习.数据都有明白的label(分类针对离散分布,回归针对连续分布),依据机器学习产

用python写程序真的好舒服. code: import numpy as np def read_data(filename): '''读取文本数据,格式:特征1 特征2 -- 类别''' f=open(filename,'rt') row_list=f.readlines() #以每行作为列表 f.close() data_array=[] labels_vector=[] while True: if not row_list: break row=row_list.pop(0).str

机器学习K近邻算法的实现主要是参考<机器学习实战>这本书. 一.K近邻(KNN)算法 K最近邻(k-Nearest Neighbour,KNN)分类算法,理解的思路是:如果一个样本在特征空间中的K个最相似(即特征空间最邻近)的样本中的大多数属于某一个类别,则该样本也属于这个类别. 我们采用一个图来进行说明(如下): 图中的蓝色小正方形和红色的小正方形属于两类不同的样本数据,图正中间的绿色的圆代表的是待分类的数据.现在我们可以根据K最近邻算法来判断绿色的圆属于哪一类数据? 如果K=3,绿色圆点的

参考:<机器学习实战>- Machine Learning in Action 一. 基本思想  聚类是一种无监督的学习,它将相似的对象归到同一簇中.它有点像全自动分类.聚类方法几乎可以应用于所有对象,簇内的对象越相似,聚类的效果越好.之所以称作K-均值,是因为它可以发现k个不同的簇,且每个簇的中心采用簇中所含值的均值计算而成.  K-均值算法的工作流程是这样的.首先,随机确定k个初始点作为质心.然后将数据集中的每个点分配到一个簇中,具体来讲,为每个点找距离其最近的质心,并将其分配给该质心所对

dataSet = [ #数据集 # 1 [0.697, 0.460], # 2 [0.774, 0.376], # 3 [0.634, 0.264], # 4 [0.608, 0.318], # 5 [0.556, 0.215], # 6 [0.403, 0.237], # 7 [0.481, 0.149], # 8 [0.437, 0.211], # 9 [0.666, 0.091], # 10 [0.243, 0.267], # 11 [0.245, 0.057], # 12 [0.343

import numpy as np import matplotlib.pyplot as plt from sklearn import cluster from sklearn.metrics import adjusted_rand_score from sklearn.datasets.samples_generator import make_blobs def create_data(centers,num=100,std=0.7): X, labels_true = make_b

昨日内容回顾 1. 三个类 ChangeList,封装列表页面需要的所有数据. StarkConfig,生成URL和视图对应关系 + 默认配置 AdminSite,用于保存 数据库类 和 处理该类的对象 的对应关系 + 路由分发 _registry = { } 2. 知识点 inclusion_tag yield urlencode _meta.model_name _meta.app_label 深浅拷贝 QueryDict对象默认不可改 _mutable=True 生成器 路由分发: - i

今日内容前戏 静态字段和字段 先来看下面一段代码 class Foo: x = 1 # 类变量.静态字段.静态属性 def __init__(self): y = 6 # 实例变量.字段.对象属性 # 实例方法 def func(self): pass # 静态方法 @staticmethod def func(): pass # 类方法 @classmethod def func(): pass @property def start(self) pass 官方说法:x称之为 类变量  y称之

一.装饰器 装饰器本质上就是一个python函数,他可以让其他函数在不需要做任何代码变动的前提下,增加额外的功能,装饰器的返回值也是一个函数对象. 装饰器的应用场景:比如插入日志,性能测试,事务处理,缓存等等场景. 基本装饰器 不应用装饰器 def wrapper(func): def inner(*args,**kwargs): return func(*args,**kwargs) return inner def f1(): print('f1') print(f1.__name__) 执

一.内容回顾 类可否作为字典的key 初级 举例: class Foo(object): pass _registry = { Foo:123 } print(_registry) 执行输出: {<class '__main__.Foo'>: 123} 说明说法是成立的. 中级 class User(object): pass class Role(object): pass class Bar(object): def __init__(self,b): self.b = b _regist

学长跟我说老师实验室里用的ide是pycharm,我用了一天,整体还行,就是加载速度太慢,可是第二天用的时候就卡的想让人骂街,cpu占有率趋近100%,电脑配置不高,我寻思不能因为这个就马上换电脑吧,就上网搜了下sublime text,据说这个ide功能特别强大,都装好了发现要付费,70$左右,想着算了还是用notepad++吧,无意间搜到可以配置notepad++让他自动调用python.exe,而不用每次手动打开控制台了,配制方法如下: 打开一个Python代码文件后,按F5(或者直接点r

Notepad++ 是一个开源的文本编辑器,功能强大而且使用方便,一般情况下,Notepad++作为代码查看器,很方便,但是每次要运行的时候,总是需要用右键打开其他的IDE来编译和运行,总有些不方便.特别是像lua这种语言,在Eclipse中无法集成,因此运行的时候,总是不方便. 我搜到了一个使用Notepad++作为编译器的方法,现在share给大家,:),还是很方便的...我先说下配置,看到了现象,再说原理,会比较容易明白. Python 的配置 一.配置: 1.打开Notepad++: 2

1.用python实现K均值算法 import numpy as np x = np.random.randint(1,100,20)#产生的20个一到一百的随机整数 y = np.zeros(20) k = 3 print(x) print(y) def initcenter(x,k):#初始化聚类中心数组 return x[0:k].reshape(k) kc = initcenter(x,k) print(kc) def nearest(kc, i):#定义函数求出kc与i之差最小的数的坐

KNN Python实现 ''' k近邻(kNN)算法的工作机制比较简单,根据某种距离测度找出距离给定待测样本距离最小的k个训练样本,根据k个训练样本进行预测. 分类问题:k个点中出现频率最高的类别作为待测样本的类别 回归问题:通常以k个训练样本的平均值作为待测样本的预测值 kNN模型三要素:距离测度.k值的选择.分类或回归决策方式 ''' import numpy as np class KNNClassfier(object): def __init__(self, k=5, distanc

Notepad++是一个开源的文本编辑器,功能强大而且使用方便,一般情况下,Notepad++作为代码查看器,很方便,但是每次要运行的时候,总是需要用右键打开其他的IDE来编译和运行,总有些不方便.特别是像lua这种语言,在Eclipse中无法集成,因此运行的时候,总是不方便. 我搜到了一个使用Notepad++作为编译器的方法,现在share给大家,:),还是很方便的...我先说下配置,看到了现象,再说原理,会比较容易明白.   Python 的配置 一.配置: 1.打开Notepad++:

Python的安装.环境配置及IDE推荐 官网:https://www.python.org/ 版本:2.x 和 3.x 差别较大:python3是不向下兼容:版本区别可参考网官网介绍 至于选择 Python 2 还是 3,Which version you ought to use is mostly dependent on what you want to get done 参考原文:http://justcoding.iteye.com/blog/882794 Python2.x好在哪?

K Line Chart python实现k线图的代码,之前找过matplotlib中文文档但是画k线图的finance方法已经弃用了.所以自己在网上搜寻一下加上改编,很好的实现出k线图, 代码如下:__main__ # conding:utf-8 # 导入聚宽函数库 from jqdatasdk import * import pandas as pd import matplotlib.pyplot as plt from KLineChart.mpl_finance import plt_

所属网站分类: 资源下载 > python电子书 作者:mimi 链接:http://www.pythonheidong.com/blog/article/451/ 来源:python黑洞网 内容简介 <量化投资:以Python为工具>主要讲解量化投资的思想和策略,并借助Python 语言进行实战.<量化投资:以Python为工具>一共分为5 部分,第1 部分是Python 入门,第2 部分是统计学基础,第3 部分是金融理论.投资组合与量化选股,第4 部分是时间序列简介与配对

6.1 一个简单的字典 alien_0 = {'color': 'green', 'points': 5} print(alien_0['color']) print(alien_0['points']) 6.2 使用字典 字典 是一系列键—值对 .每个键 都与一个值相关联,你可以使用键来访问与之相关联的值. 与键相关联的值可以是数字.字符串.列表乃至字典.事实上,可将任何Python对象用作字典中的值. 在Python中,字典用放在花括号 {}  中的一系列键—值对表示 键和值之间用冒号分隔,