文章
Scikit-Learn&More,用于机器学习的综合数据集生成
!(https://imghelloworld.osscnbeijing.aliyuncs.com/imgs/1d15307ac9ad51cee5b3c947a9c90d29.png)<blockquoteCDA数据分析师出品</blockquote_尽管成熟的算法和开源
scikit-learn的5大新功能
!(https://imghelloworld.osscnbeijing.aliyuncs.com/imgs/f794f32035e505a3e5f412c8564cce04.png)<blockquoteCDA数据分析师出品</blockquotePython的主要功能
scikit-learn机器学习库
基础理论常用方法fitvstransformvsfit_transformvs<pre<codefit方法是用于从训练集中学习模型参数,其中包括归一化和均值,标准偏差的处理。transform方法用于将模型用于位置数据fit_tran
Sklearn 0.21 中文文档校对活动 | ApacheCN
整体进度:https://github.com/apachecn/s...(https://link.segmentfault.com/?encHkSwK782Ozw%2F9FzGAzbkew%3D%3D.mzVJM98yWQrDNaJRjxE0B%2BNrUFNvzO1FBpatmyeOvx
机器学习之分类结果的评价
以逻辑回归为例,介绍分类结果的评价方式。精准率和召回率对于极度偏斜的数据,使用分类准确度来评判模型的好坏是不恰当的,精确度和召回率是两个更好的指标来帮助我们判定模型的好快。二分类的混淆矩阵精准率和召回率是存在于混淆矩阵之上的,以二分类为例,分类0是偏斜数据中占优
机器学习之逻辑回归
逻辑回归将样本特征和样本发生的概率联系起来,用于解决分类问题。Sigmoid函数在最简单的二分类中,逻辑回归里样本发生的概率的值域为0,1,对于线性回归$\hat{y}\theta^T·x_b$,为了将$\haty$映射到值域0,1中,引入了$\
机器学习之多项式回归与模型泛化
多项式回归多项式回归使用线性回归的基本思路非线性曲线如图:!clipboard.png(/img/bVbkn4q?w372&h252)假设曲线表达式为:$yax^2bxc$,如果将$x^2$看作为$x_1$,即$y_1ax_1bx
机器学习之PCA与梯度上升法
主成分分析(PrincipleComponentAnalysis,简称:PCA)是一种非监督学习的机器算法,主要用于数据的降维。PCA基本原理以有2个特征的二维平面举例,如图:!clipboard.png(/img/bVbj3GP?w379&h252)
机器学习之线性回归法
在统计学中,线性回归(Linearregression)是利用称为线性回归方程的最小二乘函数对一个或多个自变量和因变量之间关系进行建模的一种回归分析<sup维基百科(https://link.segmentfault.com/?encyYqIHEhcRLTiACvndkx0PQ%3D%3D
机器学习之数据归一化
机器学习中,数据归一化是非常重要,如果不进行数据归一化,可能会导致模型坏掉或者训练出一个奇怪的模型。为什么要进行数据归一化现在有一个训练数据集,包含两个样本,内容如下:<table<thead<tr<th</th<th肿瘤大小(cm)</th<th发现时间(
已加载文章中没有匹配内容,试试其他关键词或清空搜索。