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. 机器学习算法详解

  2. 机器学习算法详解▪ 一、线性回归 ◦ 1、代价函数 ◦ 2、梯度下降算法 ◦ 3、均值归一化 ◦ 4、最终运行结果 ◦ 5、使用scikit-learn库中的线性模型实现 ▪ 二、逻辑回归 ◦ 1、代价函数 ◦ 2、梯度 ◦ 3、正则化 ◦ 4、S型函数（即） ◦ 5、映射为多项式 ◦ 6、使用的优化方法 ◦ 7、运行结果 ◦ 8、使用scikit-learn库中的逻辑回归模型实现 ▪ 逻辑回归_手写数字识别_OneVsAll ◦ 1、随机显示100个数字 ◦ 2、OneVsAll ◦ 3、手

  3. 所属分类：Python

    • 发布日期：2018-04-12
    • 文件大小：3145728
    • 提供者：yuyuyuxiaolei

  1. Ruby-Rumale是Ruby语言的机器学习库类似于Python中的ScikitLearn

  2. Rumale（Ruby机器学习）是Ruby中的机器学习库。 Rumale提供的机器学习算法的接口类似于Python中的Scikit-Learn。 Rumale支持线性/内核支持向量机，Logistic回归，线性回归，岭，套索，分解机，朴素贝叶斯，决策树，AdaBoost，梯度树增强，随机森林，额外树，K-最近邻分类器，K-Means ，DBSCAN，t-SNE，主成分分析和非负矩阵分解。

  3. 所属分类：其它

    • 发布日期：2019-08-15
    • 文件大小：251904
    • 提供者：weixin_39840650

  1. 具体介绍sklearn库中：主成分分析（PCA）的参数、属性、方法

  2. 转载请注明出处：https://editor.csdn.net/md?articleId=104839136 文章目录主成分分析（PCA）Sklearn库中PCA一、参数说明（Parameters）二、属性（Attributes）三、方法（Methods）四、示例（Sample）五、参考资料（Reference data） 主成分分析（PCA） 主成分分析（Principal components analysis，以下简称PCA）的思想是将n维特征映射到k维上（k<n），这k维是全新的

  3. 所属分类：其它

    • 发布日期：2020-12-22
    • 文件大小：168960
    • 提供者：weixin_38568548

  1. What-Celebrity-are-u-源码

  2. 你是什​​么名人 ♪简介： 在本笔记本中，我们将尝试使用模式识别算法和卷积神经网络的有趣构想，以便预测可能与外层装饰图片中的人物最相似的名人。 名人照片被很好地捕获，并裁剪出了无可挑剔的正面图片，因此请确保在相同条件下上传您的图片。 我们将使用极少数的无监督学习算法（例如KMeansand主成分分析）来深入数据的核心，并提取适合我们的数据和不适合我们的数据。 此外，我们将尝试使数据适合标准的深度神经网络模型，以证明其针对CNN的失败。 同样，我们将进行漫长的调整和微调超参数以推断出最佳

  3. 所属分类：其它

    • 发布日期：2021-03-15
    • 文件大小：14680064
    • 提供者：weixin_42125826

  1. PersonalProjects-源码

  2. 数据科学组合 包含我为学术，自学和业余爱好而完成的数据科学项目组合的存储库。 以iPython Notebooks的形式呈现。 内容 机器学习 线性回归： 逻辑回归： 决策树和随机森林： 支持向量机： K均值聚类： 主成分分析： 推荐系统： 工具：scikit-learn，Pandas，Seaborn，Matplotlib 自然语言处理 垃圾邮件检测： 文字分类： 情绪分析： 自动改正： 自动补全： 深度神经网络的情感分析： 命名实体识别： 重复问题的识别： 神经机器翻译： 文字摘要： 问题回

  3. 所属分类：其它

    • 发布日期：2021-03-15
    • 文件大小：98304
    • 提供者：weixin_42108054

  1. dsc-pca-scikitlearn-lab-onl01-dtsc-pt-052620-源码

  2. scikit-learn中的主成分分析-实验 介绍 既然您已经了解了PCA的简要介绍，那么现在该使用scikit-learn自己运行PCA了。 目标 在本实验中，您将： 使用scikit-learn库实施PCA 通过观察解释的方差确定执行PCA时n个组件的最佳数量 绘制分类实验的决策边界，以目视检查其性能 虹膜数据集 为了练习PCA，您将看一下虹膜数据集。 运行下面的单元格以加载它。 from sklearn import datasets import pandas as pd iris

  3. 所属分类：其它

    • 发布日期：2021-03-02
    • 文件大小：8192
    • 提供者：weixin_42139429

  1. Breast_Cancer_CADx：监督式机器学习算法可预测乳腺癌的诊断-源码

  2. 乳腺癌CADx 监督式机器学习算法可预测乳腺癌的诊断 乳腺癌是美国女性死于癌症的第二大主要原因。 早期发现与更好的预后密切相关。 乳房X线照相术是检测的第一线，但并不完美。 乳房X光检查的假阴性率为8-10％，由于某些异常情况不会影响女性的健康，因此很难确定癌症的严重程度或类型。 因此，进行活检以确认诊断。 细针穿刺是最简单，最常见的活检类型。 这项研究测试了各种监督的机器学习算法，以确定使用定量，连续的数据预测乳腺癌诊断最准确的算法。 威斯康星州乳腺癌数据集用于训练和测试三种机器学习模型

  3. 所属分类：其它

    • 发布日期：2021-02-14
    • 文件大小：571392
    • 提供者：weixin_42116058

  1. pattern_classification：用于解决和理解机器学习和模式分类任务的教程和示例的集合-源码

  2. **教程，示例，集合以及其他所有类别的内容：模式分类，机器学习和数据挖掘。** 栏目 此流程图的[ ]。 机器学习和模式分类简介 [] 预测性建模，有监督的机器学习和模式分类-大图[ ] 入口点：数据-使用Python的Sci包为机器学习任务和其他数据分析准备数据[ ] 使用scikit-learn进行简单线性监督分类的简介[ ] 前处理 [] 特征提取 在分类任务中编码分类特征的技巧和窍门[ ] 缩放和标准化 关于特征缩放：标准化和最小最大缩放（规范化）[ ] 功能选

  3. 所属分类：其它

    • 发布日期：2021-02-04
    • 文件大小：72351744
    • 提供者：weixin_42151373

  1. PCA-主成分分析-：主成分分析（PCA）是迄今为止最流行的降维算法。 首先，它确定最靠近数据的超平面，然后将数据投影到其上-源码

  2. PCA主成分分析 到目前为止，主成分分析（PCA）是最流行的降维算法。 首先，它确定最靠近数据的超平面，然后将数据投影到其上。 PCA用于分解一组解释最大方差的连续正交分量中的多元数据集。 在scikit-learn中，PCA被实现为一个转换对象，该对象以其fit方法学习n个组件，并可用于新数据以将其投影到这些组件上。 如果由于输入维数太大而使学习算法太慢，那么使用PCA加快速度可能是一个合理的选择。 这可能是PCA的最常见应用。 #PCA的另一个常见应用是数据可视化。 在代码的这一部分

  3. 所属分类：其它

    • 发布日期：2021-02-03
    • 文件大小：2048
    • 提供者：weixin_42120275

  1. mstar_with_machine_learning：使用机器学习方法轻松实现sar目标识别-源码

  2. mstar_with_machine_learning 先决条件 该存储库使用python 3.6和scikit-learn API给出了带有机器学习的公共MSTAR数据集上的SAR ATR的示例。 建议直接安装Anaconda 3，它提供了numpy，matplotlib和scipy等常见软件包以及scikit-learn。 说明 该示例支持大多数机器学习方法的实现，包括逻辑回归，神经网络，支持向量机等。 为了减少计算量，它使用主成分分析来减少特征。 数据处理和模型声明分别在data.py和

  3. 所属分类：其它

    • 发布日期：2021-02-03
    • 文件大小：28311552
    • 提供者：weixin_42168341