紧邻算法分类器之模拟图(二)
来源:互联网 发布:linux 启动ftp服务 编辑:程序博客网 时间:2024/06/16 01:00
首先将数据将文本中的数据导入数据库,因为,对数据库的操作比较熟悉,对以后的数据统计也比较的方便,是通过,计算不同点出现的次数为纵坐标,以特征值为很坐标,
数据仍然是(一)中的数据,值得注意的是:数据库操作后,一定需要语句conn.commit() ,否则会出现,执行后,数据库中没有存储的现象,操作数据库需要pymssql库
具体程序:
import pymssqlfrom numpy import * import matplotlib.pylab as pl#coding=utf-8def NonExecute(str,parm): conn=pymssql.connect(host='localhost',database='test',user='sa',password='123') cur=conn.cursor() cur.execute(str,parm) #d= cur.fetchall() conn.commit() cur.close() conn.close() # return dtrain = loadtxt("D:\\iris.trn",delimiter=',',usecols=(0,1,2,3,4),dtype=str)for i in train: print i[0] parm=(i[0],i[1],i[2],i[3],i[4]) # cur.execute("""insert into iris(sepal_length,sepal_width,petal_length,petal_width,class_label) values(%s,%s,%s,%s,%s)""",parm) str = """insert into iris(sepal_length,sepal_width,petal_length,petal_width,class_label) values(%s,%s,%s,%s,%s)"""; NonExecute(str,parm)
- 紧邻算法分类器之模拟图(二)
- 紧邻算法分类器之模拟图(实现模拟)(三)
- Nearest-Neighbor Classifier紧邻算法分类器(一)
- K紧邻算法
- opencv之haar特征+AdaBoos分类器算法流程(二)
- 机器学习(二):分类算法之k-近邻算法
- 感知器算法(二分类问题)
- 实验二kNN算法之1NN分类
- 模拟退火算法系列之(二):一个实例
- 分类算法之三——SVM分类器
- 数据挖掘回顾二:分类算法之 决策树 算法 (ID3算法)
- 分类算法之贝叶斯算法分类
- 算法---分类算法之贝叶斯分类
- 经典算法之SRC分类器
- 分类算法之决策树
- 分类算法之决策树
- 分类算法之KNN
- 实验二 分类算法实验
- Nmap高级用法与典型场景
- VMWare Workstation 6.0调试Linux Kernel
- 孙鑫MFC学习心得:Lesson10:图形的绘制
- iOS sql用法
- Uva-101-The Blocks Problem
- 紧邻算法分类器之模拟图(二)
- Qt4连接mysql成功
- Asp.Net MVC 在后台获取PartialView、View文件生成的字符串
- 使用Javascript和PHP对服务端XML文档进行操作
- linux /dev 常见特殊设备介绍与应用[loop,null,zero,full,random]
- DHH推荐的五本书(未完待续)
- GetInputAwayTime
- [J2EE][SERVLET]OUT.PRINT和OUT.WRITE的区别
- 学习rtsp的一些心得