注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. sklearn0.19中文文档

  2. sklearn0.19中文文档 PDF格式高清。 .1. 广义线性模型 1.1.1. 普通最小二乘法 1.1.1.1. 普通最小二乘法复杂度 1.1.2. 岭回归 1.1.2.1. 岭回归的复杂度 1.1.2.2. 设置正则化参数：广义交叉验证 1.1.3. Lasso 1.1.3.1. 设置正则化参数 1.1.3.1.1. 使用交叉验证 1.1.3.1.2. 基于信息标准的模型选择 1.1.3.1.3. 与 SVM 的正则化参数的比较 1.1.4. 多任务 Lasso 1.1.5. 弹性网络

  3. 所属分类：机器学习

    • 发布日期：2018-10-30
    • 文件大小：14680064
    • 提供者：hardpen2013

  1. scikit-learn-0.21.3-中文文档.pdf

  2. scikit-learn 是基于 Python 语言的机器学习工具 简单高效的数据挖掘和数据分析工具 可供大家在各种环境中重复使用 建立在 NumPy ，SciPy 和 matplotlib 上 开源，可商业使用 - BSD许可证1.监督学习 1广义线性模型 °1.1.1普通最小二乘法 1.1.2岭回归 1.1.3LaSs0 o1.1.4多任务 Lasso 115弹性网络 o116多任务弹性网络 1.1.7最小角回归 1.1. 8 LARS Lasso 1.19正交匹配追踪法(OMP 1.1.1

  3. 所属分类：机器学习

    • 发布日期：2019-08-24
    • 文件大小：41943040
    • 提供者：h394266861

  1. 用Python实现随机森林算法的示例

  2. 主要介绍了用Python实现随机森林算法，小编觉得挺不错的，现在分享给大家，也给大家做个参考。一起跟随小编过来看看吧

  3. 所属分类：其它

    • 发布日期：2020-09-21
    • 文件大小：107520
    • 提供者：weixin_38552536

  1. Python使用sklearn实现的各种回归算法示例

  2. 本文实例讲述了Python使用sklearn实现的各种回归算法。分享给大家供大家参考，具体如下： 使用sklearn做各种回归 基本回归：线性、决策树、SVM、KNN 集成方法：随机森林、Adaboost、GradientBoosting、Bagging、ExtraTrees 1. 数据准备 为了实验用，我自己写了一个二元函数，y=0.5*np.sin(x1)+ 0.5*np.cos(x2)+0.1*x1+3。其中x1的取值范围是0~50，x2的取值范围是-10~10，x1和x2的训练集一共有5

  3. 所属分类：其它

    • 发布日期：2020-12-26
    • 文件大小：431104
    • 提供者：weixin_38668776

  1. 人工智能和机器学习基础知识：以最新的AI先进技术为基础的实际应用程序开发开始-源码

  2. 人工智能和机器学习基础 机器学习和神经网络正在Swift成为构建智能应用程序的基础。 本课程将首先向您介绍Python并讨论使用AI搜索算法。 您将学习大量数学主题，例如Python示例所说明的回归和分类。 然后，您将继续学习高级AI技术和概念，并处理现实数据集以形成决策树和集群。 将向您介绍神经网络，它是得益于适用于21世纪计算能力的摩尔定律的强大工具。 在本课程结束时，您将充满信心，并期待用您新获得的技能来构建自己的AI应用程序！ 您将学到什么 了解AI的重要性，原理和领域 学习使用Pyt

  3. 所属分类：其它

    • 发布日期：2021-02-04
    • 文件大小：26214400
    • 提供者：weixin_42101056

  1. random-subgroups：机器学习的python软件包，用于学习预测任务的子组合奏-源码

  2. 随机子组python包 用子组进行预测 random-subgroups是与兼容的机器学习包。 像在随机森林中一样，它使用弱估计的集合进行分类和回归任务。 与随机森林算法的主要区别在于，它使用子组作为估计量。 该程序包的子组发现实现在程序包的顶部进行。 它使用了pysubgroup的许多功能，但还通过不同的质量度量（更适合预测）和不同的搜索策略对其进行了扩展。 安装： pip install random-subgroups 分类器的示例： from randomsubgroups im

  3. 所属分类：其它

    • 发布日期：2021-02-04
    • 文件大小：27648
    • 提供者：weixin_42136837

  1. 用Python实现随机森林算法的示例

  2. 拥有高方差使得决策树（secision tress）在处理特定训练数据集时其结果显得相对脆弱。bagging（bootstrap aggregating 的缩写）算法从训练数据的样本中建立复合模型，可以有效降低决策树的方差，但树与树之间有高度关联（并不是理想的树的状态）。 随机森林算法（Random forest algorithm）是对 bagging 算法的扩展。除了仍然根据从训练数据样本建立复合模型之外，随机森林对用做构建树（tree）的数据特征做了一定限制，使得生成的决策树之间没有关联，

  3. 所属分类：其它

    • 发布日期：2021-01-21
    • 文件大小：108544
    • 提供者：weixin_38555350