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. 机器学习-特征工程技巧

  2. 特征工程作为机器学习的重要环节，很大程度决定了机器学习最终结果的效果，该资料从一般角度教授如何准备特征

  3. 所属分类：机器学习

    • 发布日期：2018-10-17
    • 文件大小：6291456
    • 提供者：hopen168

  1. Python-译面向机器学习的特征工程

  2. [译] 面向机器学习的特征工程

  3. 所属分类：其它

    • 发布日期：2019-08-11
    • 文件大小：14680064
    • 提供者：weixin_39840515

  1. Python-使用自动特征工程预测客户的下一次采购

  2. 随着顾客使用你的产品，他们留下了一些行为迹象，表明他们将来如何行事。 通过自动化特征工程，我们可以识别细致的客户行为数据中的预测模式，这些数据可用于改善客户体验并为您的业务创造额外的收入。

  3. 所属分类：其它

    • 发布日期：2019-08-11
    • 文件大小：15360
    • 提供者：weixin_39840650

  1. Python-Featuretools自动特征工程开源框架

  2. Featuretools 自动特征工程开源框架

  3. 所属分类：其它

    • 发布日期：2019-08-11
    • 文件大小：993280
    • 提供者：weixin_39840387

  1. Python-ScikitLearn风格的特征工程工具包

  2. Feature engineering package with sklearn like functionality

  3. 所属分类：其它

    • 发布日期：2019-08-09
    • 文件大小：655360
    • 提供者：weixin_39840588

  1. 3天入门Python机器学习.zip

  2. 机器学习概述、特征工程、knn、朴素贝叶斯、决策树、随机森林、线性回归、非线性回归、逻辑斯蒂回归、k-means聚类算法

  3. 所属分类：机器学习

    • 发布日期：2020-07-11
    • 文件大小：178257920
    • 提供者：Iloveyoupython

  1. python------数据预处理与特征工程----相关数据集

  2. 文章：python------数据预处理与特征工程系列用到的数据集。 digit recognizor.csv Narrativedata.csv

  3. 所属分类：机器学习

    • 发布日期：2020-11-30
    • 文件大小：8388608
    • 提供者：lichangze1

  1. 机器学习 特征工程 Python sklearn

  2. 机器学习 特征工程 Python sklearn 本博客代码：Github_GDUT-Rp 1 特征工程 数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已。 特征处理是特征工程的核心部分，sklearn提供了较为完整的特征处理方法，包括数据预处理，特征选择，降维等。首次接触到sklearn，通常会被其丰富且方便的算法模型库吸引，但是这里的介绍的特征处理库也十分强大！ 2 数据预处理 通过特征提取，我们能得到未经处理的特征，这时的特征可能有以下问题： 不属于同一量纲：即特征的规

  3. 所属分类：其它

    • 发布日期：2020-12-22
    • 文件大小：610304
    • 提供者：weixin_38677260

  1. python实现信号时域统计特征提取代码

  2. 1.实验数据需求 为了对采集的压力实验数据做特征工程，需要对信号进行时域的统计特征提取，包含了均值、均方根、偏度、峭度、波形因子、波峰因子、脉冲因子、峭度因子等，现用python对其进行实现。 2.python实现 其中的输入参数含义： ① data:实验数据的DataFrame ② p1:所截取实验信号的起始采样点位置 ③ p2:所截取实验信号的终止采样点位置 from pandas import Series import math pstf_list=[] def psfeatureTi

  3. 所属分类：其它

    • 发布日期：2020-12-20
    • 文件大小：104448
    • 提供者：weixin_38748718

  1. Python基于机器学习方法实现的电影推荐系统实例详解

  2. 推荐算法在互联网行业的应用非常广泛，今日头条、美团点评等都有个性化推荐，推荐算法抽象来讲，是一种对于内容满意度的拟合函数，涉及到用户特征和内容特征，作为模型训练所需维度的两大来源，而点击率，页面停留时间，评论或下单等都可以作为一个量化的 Y 值，这样就可以进行特征工程，构建出一个数据集，然后选择一个合适的监督学习算法进行训练，得到模型后，为客户推荐偏好的内容，如头条的话，就是咨询和文章，美团的就是生活服务内容。 可选择的模型很多，如协同过滤，逻辑斯蒂回归，基于DNN的模型，FM等。我们使用的方式

  3. 所属分类：其它

    • 发布日期：2021-01-01
    • 文件大小：703488
    • 提供者：weixin_38687968

  1. NLP-with-Python-for-Beginners:NICF的示例代码–适用于初学者的Python自然语言处理（NLP）-源码

  2. NICF –适用于初学者的使用Python的自然语言处理（NLP） 按 这些是用于课程的练习文件。 课程大纲可以在下面找到 主题1 NLP和深度学习概述 NLP概述 NLP的应用 NLP的深度学习方法 递归神经网络（RNN）的基础 为NLP安装Python软件包– Scikit Learn，Tensorflow，NLTK，Spacy，Gensim 主题2词嵌入 词嵌入概述 词嵌入模型 预训练词嵌入模型 主题3语言建模 标记化和停用词 词干和词法化 语音和解析的一部分 命名实体识别（NER）

  3. 所属分类：其它

    • 发布日期：2021-03-05
    • 文件大小：30408704
    • 提供者：weixin_42164931

  1. Forecastframe：用于解决时间序列问题的自动化特征工程和建模算法-源码

  2. Forecastframe-用于Python的快速，准确的分层时间序列预测库 概述 forecastframe使用同类最佳的特征工程，建模和验证策略来生成可解释的预测。 它旨在抽象化层次结构关系（例如[[国家/地区->州->商店]，[类别->品牌->产品]]）和常见的时间序列问题，因此您可以专注于特征创建，模型解释，和交付。 特征 一流的要素工程，建模和解释算法，受到世界一流的预测竞赛和对冲基金的启发。 直观的，可继承的类设计简化了复杂的操作（例如，无泄漏的滚动交叉验证

  3. 所属分类：其它

    • 发布日期：2021-03-03
    • 文件大小：11534336
    • 提供者：weixin_42120405

  1. Python机器学习项目实战

  2. 本文来自于cloud.tencent.com，作者以浅显易懂的语言和清晰的示例和代码教你从头开始走过一个机器学习之旅，并且附详细的代码，大家可以收藏和学习。这是一篇完全手把手进行机器学习项目构建的教程，包含：1.数据清理和格式化2.探索性数据分析3.特征工程和特征选择4.在性能指标上比较几种机器学习模型5.对最佳模型执行超参数调整6.在测试集合中评估最佳模型7.解释模型结果8.得出结论。今天是（1-3）从数据清理，到数据分析，到特征工程，再到Baseline的构建.——Puttingthemac

  3. 所属分类：其它

    • 发布日期：2021-02-24
    • 文件大小：445440
    • 提供者：weixin_38674409

  1. 如何用Python做自动化特征工程

  2. 本文来自大数据文摘，本文作者将使用Python的featuretools库进行自动化特征工程的示例，希望对您的学习有所启迪。机器学习的模型训练越来越自动化，但特征工程还是一个漫长的手动过程，依赖于专业的领域知识，直觉和数据处理。而特征选取恰恰是机器学习重要的先期步骤，虽然不如模型训练那样能产生直接可用的结果。本文作者将使用Python的featuretools库进行自动化特征工程的示例。机器学习越来越多地从手动设计模型转变为使用H20，TPOT和auto-sklearn等工具来自动优化的渠道。这

  3. 所属分类：其它

    • 发布日期：2021-02-24
    • 文件大小：753664
    • 提供者：weixin_38673235

  1. 为特征工程和机器学习准备数据：特征工程技术-源码

  2. 为功能工程和机器学习准备数据 特征工程技术 无论如何设计和实施良好的机器学习模型，如果输入的数据设计不良，模型的预测将令人失望。 在此回购中，为特征工程和机器学习准备数据，您将能够对数据进行适当的预处理（实际上是对其进行工程设计），以便从ML模型中获得最大的收益。 首先，您将学习如何使用特征选择技术来查找包含最多信息的预测变量。 特征选择可以大致分为三类，分别称为过滤器，包装器和嵌入式技术，我们将理解并实现所有这些。 接下来，您将发现特征提取与特征选择有何不同，因为数据实际上被重新表达，有时

  3. 所属分类：其它

    • 发布日期：2021-02-19
    • 文件大小：10485760
    • 提供者：weixin_42172572

  1. Python项目-源码

  2. 我的Python数据科学项目： ：在此项目中，我尝试为Kaggle项目的样本（泰坦尼克号的沉没）构建工作流程，以便将来可以在其他Kaggle项目中采用相同的模式 ：在这个项目中，我试图使用k近邻算法和具有不同数量神经元和不同隐藏层的神经网络对手写数字问题进行分类。 ：在这个项目中，我使用并比较了线性回归，决策树回归和随机森林算法来预测自行车租赁。 我还尝试找到最佳参数以防止过度拟合并获得良好结果。 此项目是关于使用线性回归模型来预测S＆P500指数的每日价格。 也只进行提前一天的预测。

  3. 所属分类：其它

    • 发布日期：2021-02-12
    • 文件大小：14680064
    • 提供者：weixin_42124743

  1. Amazing-Feature-Engineering：功能工程是使用领域知识通过数据挖掘技术从原始数据中提取功能的过程。 这些功能可用于提高机器学习算法的性能。 特征工程可以被视为应用机器学习本身-源码

  2. 特征工程与特征选择 有关特征工程和特征选择的全面指南 ，以及Python中的实现和示例。 动机 特征工程与选择是构建可用的机器学习项目的最重要部分，尽管近来出现了数百种最先进的机器学习算法，例如深度学习和迁移学习。 确实，就像多明戈斯教授所说的那样，“主算法”的作者说： “归根结底，有些机器学习项目成功了，而有些失败了。 有什么区别？ 最重要的因素很容易就是所使用的功能。” -Pedro Domingos教授 数据和功能对ML项目的影响最大，它设置了我们做事的极限，而模型和算法才刚刚达到

  3. 所属分类：其它

    • 发布日期：2021-02-05
    • 文件大小：1048576
    • 提供者：weixin_42116734

  1. 在mljar监督下：通过特征工程和超参数调整使机器学习管道自动化-源码

  2. MLJAR自动化机器学习 说明文件： 源代码： 目录 自动化机器学习 :rocket: 受mljar-supervised是一个自动化的机器学习Python软件包，可用于表格数据。 它旨在为数据科学家节省时间。 它抽象了预处理数据，构建机器学习模型以及执行超参数调整以找到最佳模型的通用方法 :trophy: 。 这不是黑盒子，因为您可以确切地看到ML管道的构造方式（每个ML模型都有详细的Markdown报告）。 在mljar-supervised将帮助您： 解释和理解您的数据（自动

  3. 所属分类：其它

    • 发布日期：2021-02-04
    • 文件大小：1048576
    • 提供者：weixin_42121412

  1. overwatch_player_DA：使用Python进行数据分析和机器学习：使用ECDF和ANOVA进行EDA，相关和回归分析，数据标准化和特征工程，通过scikit-learn支持向量回归（包括模型选择，网格搜索和特征重要性）-源码

  2. overwatch_player_DA：使用Python进行数据分析和机器学习：使用ECDF和ANOVA进行EDA，相关和回归分析，数据标准化和特征工程，通过scikit-learn支持向量回归（包括模型选择，网格搜索和特征重要性）

  3. 所属分类：其它

    • 发布日期：2021-02-04
    • 文件大小：1048576
    • 提供者：weixin_42126668

  1. 如何用Python做自动化特征工程

  2. 本文来自大数据文摘，本文作者将使用Python的featuretools库进行自动化特征工程的示例，希望对您的学习有所启迪。机器学习的模型训练越来越自动化，但特征工程还是一个漫长的手动过程，依赖于专业的领域知识，直觉和数据处理。而特征选取恰恰是机器学习重要的先期步骤，虽然不如模型训练那样能产生直接可用的结果。本文作者将使用Python的featuretools库进行自动化特征工程的示例。机器学习越来越多地从手动设计模型转变为使用H20，TPOT和auto-sklearn等工具来自动优化的渠道。这

  3. 所属分类：其它

    • 发布日期：2021-01-27
    • 文件大小：748544
    • 提供者：weixin_38656463
« 12 3 4 5 »