您好,欢迎光临本网站![请登录][注册会员]  

搜索资源列表

  1. Scikit-Learn and TensorFlow

  2. 通过具体的例子、很少的理论以及两款成熟的Python框架:Scikit-Learn和TensorFlow,作者Aurélien Géron会帮助你掌握构建智能系统所需要的概念和工具。你将会学习到各种技术,从简单的线性回归及发展到深度神经网络。每章的练习有助于你运用所学到的知识,你只需要有一些编程经验就行了。   探索机器学习,尤其是神经网络   使用Scikit-Learn全程跟踪一个机器学习项目的例子   探索各种训练模型,包括:支持向量机、决策树、随机森林以及集成方法   使用Tensor
  3. 所属分类:机器学习

  1. Scikit-learn Cookbook.pdf 英文版 + 中文版

  2. 1.模型预处理 2. 处理线性模型 3.使用距离向量构建模型 4.使用scikit-learn对数据分类 5.模型后处理
  3. 所属分类:机器学习

    • 发布日期:2018-05-14
    • 文件大小:5242880
    • 提供者:lambsnow
  1. TensorFlow(一)Scikit-Learn之Transformer项目实战过程

  2. 本文主要对用scikit-learn来构建不同模型的实例项目进行介绍: Scikit-learn具体使用方法和语法参数在本人blog中的“TensorFlow(一)Scikit-Learn之Transformer“已进行详细介绍,链接如下: https://huxiaoyang.blog.csdn.net/article/details/105645392 实战项目 实战项目一:以boston数据集为例 项目目标: 使用sklearn实现对boston数据处理和降维 项目步骤: 首先我们可以将对
  3. 所属分类:其它

    • 发布日期:2020-12-21
    • 文件大小:224256
    • 提供者:weixin_38500047
  1. 机器学习入门教程2-使用 Python 和 scikit-learn 构建并测试您的第一个机器学习模型

  2. 在本教程中,我们演示了如何从头到尾完整地创建和运行分类模型的实践示例。本教程包括以下步骤: 数据探索 数据预处理 拆分数据以用于训练和测试 准备一个分类模型 使用管道组装所有步骤 训练模型 对模型运行预测 评估模型性能并使之可视化 设置 本教程包括一个用 Python 编写的 Jupyter Notebook。您可以使用免费试用帐户,通过 Watson Studio 在 IBM Cloud 上运行 Notebook。 注册或登录。 从 Try IBM Watson 页面登录到您的 IBM
  3. 所属分类:其它

    • 发布日期:2021-01-07
    • 文件大小:1048576
    • 提供者:weixin_38711529
  1. scikit-learn 构建模型

  2. 文章目录 sklearn 介绍 sklearn 转换器处理数据 2.1 加载数据集 2.2 划分数据集 2.3 数据预处理与降维 聚类模型 3.1 构建聚类模型 3.2 评价聚类模型 分类模型 4.1 构建分类模型 4.2 评价分类模型 回归模型 5.1 构建回归模型 5.2 评价回归模型 sklearn 介绍   scikit-learn(简称 sklearn)是一个简单有效的数据挖掘和数据分析工具,可以提供用户在各种环境下重复使用。而且 sklearn 建立在 Numpy、Scipy 和 M
  3. 所属分类:其它

    • 发布日期:2021-01-06
    • 文件大小:159744
    • 提供者:weixin_38654589
  1. 基于scikit-learn机器学习库的分类预测

  2. 本文来自于segmentfault,文章详细介绍了Python中如何使用scikit-learn模型对分类、回归进行预测的实现原理等相关知识。摘要:在Python中如何使用scikit-learn模型对分类、回归进行预测?本文简述了其实现原理和代码实现。一旦你在scikit-learn中选择好机器学习模型,就可以用它来预测新的数据实例。初学者经常会有这样的疑问:在本教程中,你将会发现如何在Python的机器学习库scikit-learn中使用机器学习模型进行分类和回归预测。文章结构如下:1.如何
  3. 所属分类:其它

    • 发布日期:2021-02-24
    • 文件大小:281600
    • 提供者:weixin_38752830
  1. 入门系列之Scikit-learn在Python中构建机器学习分类器

  2. 本文来自于segmentfault,文章详细介绍了如何在Python中构建机器学习分类器等相关知识。机器学习是计算机科学、人工智能和统计学的研究领域。机器学习的重点是训练算法以学习模式并根据数据进行预测。机器学习特别有价值,因为它让我们可以使用计算机来自动化决策过程。在本教程中,您将使用Scikit-learn(Python的机器学习工具)在Python中实现一个简单的机器学习算法。您将使用NaiveBayes(NB)分类器,结合乳腺癌肿瘤信息数据库,预测肿瘤是恶性还是良性。在本教程结束时,您将
  3. 所属分类:其它

    • 发布日期:2021-02-24
    • 文件大小:161792
    • 提供者:weixin_38741891
  1. 欺诈检测:使用Scikit-learn预测在jupyter笔记本中构建的欺诈性交易的逻辑回归模型-源码

  2. 欺诈检测简介
  3. 所属分类:其它

    • 发布日期:2021-02-21
    • 文件大小:58368
    • 提供者:weixin_42138376
  1. dsc-decision-trees-lab-onl01-dtsc-pt-012120:使用scikit-learn构建树-实验-源码

  2. 使用scikit-learn构建树-实验 介绍 按照上一课中看到的简单示例,现在将为更复杂的数据集构建决策树。 该实验室涵盖了标准机器学习实践的所有主要领域,从数据获取到结果评估。 我们将按照上一课中看到的相同结构,继续使用Scikit-learn和Pandas库进行此分析。 目标 在本实验中,您将: 使用scikit-learn拟合决策树分类模型 使用熵和信息增益来确定在每个节点上分割的最佳属性 使用Python绘制决策树 UCI钞票认证数据集 在本实验中,您将使用一个流行的分类数据集称为“
  3. 所属分类:其它

    • 发布日期:2021-02-15
    • 文件大小:373760
    • 提供者:weixin_42101237
  1. meta_models_rainbow:scikit-learn和FEniCS之间的Python接口,用于高效的元建模-源码

  2. 元建模:scikit-learn和FEniCS之间的Python接口,用于高效的元建模 该程序由Pierre Kerfriden和Ehsan Mikaeili编写,用于预测脑肿瘤在脑外科手术中的位置。 在外科手术中,随着外科医生切开切口并打开颅骨,脑肿瘤在新的边界条件下重新定位。 对于外科医生而言,预测不同切口尺寸下的肿瘤位置是非常宝贵的数据,可以通过构建元模型来预测。 在该程序中,使用杨氏模量和切口半径这两个参数构造一个元模型。 在FEniCS平台上进行了有限元模拟,并使用scikit-le
  3. 所属分类:其它

    • 发布日期:2021-02-13
    • 文件大小:185344
    • 提供者:weixin_42103587
  1. PCRegression:使用scikit-learn库构建主成分回归模型的Python包-源码

  2. PCR出口 使用scikit-learn库构建主成分回归模型的Python包。 该软件包遵循与scikit-learn API相同的原理,并公开了类似的fit和predict方法。 在PyPI上查看它: ://pypi.org/project/PCRegression/ 安装 该工具是使用python3构建的。 使用pip从PyPI安装。 # If Python3 is your default python, use $ pip3 install PCRegression # If Py
  3. 所属分类:其它

    • 发布日期:2021-02-04
    • 文件大小:7168
    • 提供者:weixin_42137723
  1. datacamp-machine-learning-scikit-learn:作为DataCamp的“使用Python的机器学习Track”轨迹的一部分,我所做的所有工作-源码

  2. 1-监督学习 在本课程中,您将学习如何使用Python执行监督学习,这是机器学习的重要组成部分。 您将学习如何建立预测模型,如何调整其参数,以及如何在使用现实世界数据集的同时始终了解未见数据的性能。 您将使用scikit-learn进行此操作,这是Python最受欢迎和用户友好的机器学习库之一。 Jupyter笔记本 2-无监督学习 无监督学习涵盖了机器学习中的各种技术,从聚类到降维再到矩阵分解。 在本课程中,您将学习无监督学习的基础知识,并使用scikit-learn和scipy实现基本算法。
  3. 所属分类:其它

    • 发布日期:2021-02-04
    • 文件大小:7340032
    • 提供者:weixin_42163404
  1. ml-flask-web-app:使用Flask和Scikit-Learn的基于机器学习的简单Web应用程序-源码

  2. ml-flask-web-app 这是一个Web应用程序,旨在显示使用flask部署的机器学习模型的项目结构。 该项目采用了机器学习模型,该模型已经过训练,可以检测在线评论是Cyber-Troll还是Non Cyber-Troll 。 该应用程序充当用户提交新查询的界面。 机器学习模型是使用scikit learning的各种功能构建的: 支持向量机(SVM) 词袋文字表示法(BoW) 网格搜索+交叉验证 这些组件中的每一个都是在项目内/model_dev中的脱机设置中/model_de
  3. 所属分类:其它

    • 发布日期:2021-02-04
    • 文件大小:1048576
    • 提供者:weixin_42119866
  1. 机器学习基础知识:使用Python和scikit-learn来启动和运行机器学习中最热门的开发-源码

  2. 机器学习基础 随着机器学习算法的普及,也正在开发优化这些算法的新工具。 机器学习基础知识介绍了scikit-learn API,这是一个软件包,旨在促进构建机器学习应用程序的过程。 您将学习如何解释监督模型和非监督模型之间的差异,以及如何将一些流行的算法应用于实际数据集。 您将首先学习如何使用scikit-learn的语法。 您将研究监督模型与非监督模型之间的差异,以及为每个数据集选择适当算法的重要性。 您将对现实世界的数据集应用无监督的聚类算法,以发现模式和配置文件,并探索解决无监督的机器学习
  3. 所属分类:其它

    • 发布日期:2021-02-04
    • 文件大小:968704
    • 提供者:weixin_42122878
  1. 圣地亚哥:迭戈:数据输入,智能输出。 一个快速的框架,支持快速构建自动学习任务。 只需创建一个自动学习研究(Study)并生成相关试验(试验)。 然后运行代码并获得机器学习模型。 使用Scikit-learn API词汇表,贝叶斯优化和遗传

  2. 地亚哥 迭戈:数据输入,智能输出。 一个快速的框架,支持快速构建自动学习任务。 只需创建一个自动学习研究( Study )并生成相关试验( Trial )。 然后运行代码并获得机器学习模型。 使用Scikit-learn API,使用贝叶斯优化和遗传算法进行自动化机器学习。 受到和启发。 由研究训练的分类器。 支持scikit-learn api的AutoML分类器。 支持导出模型并直接使用。 使用贝叶斯优化和遗传算法的超参数优化 支持存储/合并算法和LUS采样方法进行预处理 支持s
  3. 所属分类:其它

    • 发布日期:2021-02-04
    • 文件大小:81920
    • 提供者:weixin_42149145
  1. 使用Scikit-Learn-Python-3.x进行机器学习:通常,学习问题会考虑一组n个数据样本,然后尝试预测未知数据的属性。 如果每个样本都不止一个数字,例如是一个多维条目(又称多元数据),则称其具有多个属性或特征。 学习问题可分为以

  2. 使用Scikit学习Python-3.x进行机器学习 定义:机器学习是computer systems使用的algorithms和statistical models的科学研究,以便有效地执行specific task without using explicit instructions ,而是依靠模式和推理。 它被视为人工智能的子集。 将机器学习应用于现实世界数据时,该过程涉及很多步骤-从收集数据开始,到生成预测结束。 我们必须建立机器学习模型的步骤: 步骤1:收集数据在行业中,构建数据
  3. 所属分类:其它

    • 发布日期:2021-02-04
    • 文件大小:52428800
    • 提供者:weixin_42132598
  1. 使用Scikit学习Tensorflow和Keras进行机器学习:在此存储库中实现机器学习的不同方面。 欢迎捐款-源码

  2. 使用Scikit-Learn,Tensorflow和Keras进行机器学习 在此存储库中实现机器学习的不同方面。 欢迎捐款 功能选择 特征选择(也称为变量选择,属性选择或变量子集选择)是一种用于从初始数据集中选择特征子集(变量,尺寸)的方法。 特征选择是构建机器学习模型过程中的关键步骤,并且可能对模型的性能产生巨大影响。 使用正确且相关的特征作为模型的输入还可以减少过度拟合的机会,因为拥有更多相关的特征会减少模型使用不添加信号作为输入的嘈杂特征的机会。 最后,减少输入功能会减少训练模型所需的
  3. 所属分类:其它

    • 发布日期:2021-02-03
    • 文件大小:3145728
    • 提供者:weixin_42162171
  1. 基于scikit-learn机器学习库的分类预测

  2. 本文来自于segmentfault,文章详细介绍了Python中如何使用scikit-learn模型对分类、回归进行预测的实现原理等相关知识。摘要:在Python中如何使用scikit-learn模型对分类、回归进行预测?本文简述了其实现原理和代码实现。一旦你在scikit-learn中选择好机器学习模型,就可以用它来预测新的数据实例。初学者经常会有这样的疑问:在本教程中,你将会发现如何在Python的机器学习库scikit-learn中使用机器学习模型进行分类和回归预测。文章结构如下:1.如何
  3. 所属分类:其它

    • 发布日期:2021-01-27
    • 文件大小:281600
    • 提供者:weixin_38724229
  1. 使用 scikit-learn 构建模型

  2. 文章目录1. sklearn 介绍2. sklearn 转换器处理数据2.1 加载数据集2.2 划分数据集2.3 数据预处理与降维3. 聚类模型3.1 构建聚类模型3.2 评价聚类模型4. 分类模型4.1 构建分类模型4.2 评价分类模型5. 回归模型5.1 构建回归模型5.2 评价回归模型 1. sklearn 介绍   scikit-learn(简称 sklearn)是一个简单有效的数据挖掘和数据分析工具,可以提供用户在各种环境下重复使用。而且 sklearn 建立在 Numpy、Scipy
  3. 所属分类:其它

    • 发布日期:2021-01-20
    • 文件大小:335872
    • 提供者:weixin_38697171
  1. Kaggle比赛系列:(6)Sklearn应用:data-science-london-scikit-learn

  2. 1、先使用一个简单的模型,得到一个baseline,在此基础上改进:输入特征标准化、特征降维等; 2、这里出现了GMM算法,其实际作用是对输入特征进行了后验概率的预测,构建了新的输入特征(使同一类的特征距离更短,聚类作用) import numpy as np import pandas as pd import matplotlib.pyplot as plt import seaborn as sns from subprocess import check_output import wa
  3. 所属分类:其它

    • 发布日期:2021-01-20
    • 文件大小:429056
    • 提供者:weixin_38729685
« 12 3 4 »