-
Python模型调优
Python模型调优 了解了Scikit-learn在分类、回归、聚类、降维等领域的各种模型后，在实际应用中，我们还会面对许多新的问题：在众多可用模型中，应该选择哪一个？如何评价一个或多个模型的优劣？如何调整参数使一个模型具有更好的性能？这一类问题属于模型评估和参数调优，Scikit-learn在模型选择子模块model_selection中提供了若干解决方案。
-
Python机器学习降维算法
Python机器学习降维算法 收集数据时，我们总是不想漏掉任何一个可能会影响结果的变量，这将导致数据集变得异常庞大。而实际训练模型时，我们又总想剔除那些无效的或对结果影响甚微的变量，因为更多的变量意味着更大的计算量，这将导致模型训练慢得令人无法忍受。如何才能从众多数据中剔除无效的或对结果影响甚微的变量，以降低计算复杂度，提高模型训练效率呢？答案就是降维。机器学习领域中的降维是指采用某种映射方法，将原本高维度空间中的数据点映射到低维度的空间中。
-
Python机器学习聚类算法
Python机器学习聚类算法 聚类是指自动识别具有相似属性的给定对象，并将具有相似属性的对象合并为同一个集合。聚类属于无监督学习的范畴，最常见的应用场景包括顾客细分和试验结果分组。根据聚类思想的不同，分为多种聚类算法，如基于质心的、基于密度的、基于分层的聚类等。Scikit-learn中最常用的聚类算法包括k均值聚类、谱聚类、均值漂移聚类、层次聚类、基于密度的空间聚类等。
-
支持向量机
支持向量机 支持向量机简称SVM，是Support Vector Machine的缩写。SVM是一种分类算法，在工业界和学术界都有广泛的应用。特别是针对数据集较小的情况下，往往其分类效果比神经网络好。
-
逻辑回归算法
-
Python机器学习回归算法
Python机器学习回归算法 回归是指研究一组随机变量（输入变量）和另一组变量（输出变量）之间关系的统计分析方法。如果输入变量的值发生变化时，输出变量随之改变，则可以使用回归算法预测输入变量和输出变量之间的关系。回归用于预测与给定对象相关联的连续值属性，而分类用于预测与给定对象相关联的离散属性，这是区分分类和回归问题的重要标志。和分类问题一样，回归问题也属于监督学习的一类。回归问题按照输入变量的个数，可以分为一元回归和多元回归；按照输入变量与输出变量之间的关系，可以分为线性回归和非线性回归。
-
Python机器学习分类算法
Python机器学习分类算法 通过训练已知分类的数据集，从中可以发现分类规则，并以此预测新数据的所属类别，这被称为分类算法。按照类别标签的多少，分类算法可分为二分类算法和多分类算法。分类算法属于监督学习。Scikit-learn中最常用的分类算法包括支持向量机（SVM）、最近邻、朴素贝叶斯、随机森林、决策树等。尽管Scikit-learn也支持多层感知器（MLP），不过Scikit-learn本身既不支持深度学习，也不支持GPU加速，因此MLP不适用于大规模数据应用。如果想借助GPU提高运行速度，建议使用Tensorflow、Keras、PyTorch等深度学习框架。
-
Python机器学习
Python机器学习 谈到Python在机器学习领域的应用，程序员们一定会想起Scikit-learn模块，以及Tensorflow、Keras、PyTorch等深度学习框架，但谁也不会否认这样一个事实：Scikit-learn是非常基础和友好的机器学习模块。
Search
微信好友
