Публикации по теме 'datascience-training'
Все о XGBoost
Эта статья содержит :: 1. Введение в XGBoost 2. Как формируются деревья в XG Boost 3. XG Boost :: Реализация (код Python) 4. Поиск по сетке в XG Boost 5. Перекрестная проверка в XG Boost 6. Байесовская оптимизация в XG Boost 7. Обработка пропущенных значений в XGBoost 8. Оценка в XGBoost 9 , Показатели оценки в XGBoost 10. Плюсы и минусы XGBoost
Введение в XGBoost
XGBoost — популярная библиотека машинного обучения с открытым исходным кодом для повышения градиента в деревьях..
Разработка функций
Разработка признаков — неотъемлемая часть построения и реализации моделей машинного обучения. В этой статье мы узнаем о контексте разработки функций в рабочем процессе машинного обучения. Кроме того, вы получите краткий обзор многих инструментов обработки данных, используемых в разработке функций, и того, как они помогают специалистам по данным в диагностике моделей.
Введение
Давайте теперь поговорим о «топливе» разработки признаков, которым являются «функции». Функция — это..
Насколько хороша ваша модель? Силуэт Score может сказать. Вот о чем речь.
Итак, вы наконец-то разобрались с машинным обучением. Вы знаете, как создавать свои модели и определять разницу между контролируемым и неконтролируемым обучением, и если вы читаете эту статью, вы, вероятно, наткнулись на что-то под названием «Оценка силуэта» или «Коэффициент силуэта» при изучении алгоритмов кластеризации.
Что ж, в настоящее время реализовать алгоритмы машинного обучения не так уж сложно, как и их оценка. Начните с импорта метрик модуля scikit-learn . Самое лучшее в..
Новые материалы
Объяснение документов 02: BERT
BERT представил двухступенчатую структуру обучения: предварительное обучение и тонкая настройка.
Во время предварительного обучения модель обучается на неразмеченных данных с помощью..
Как проанализировать работу вашего классификатора?
Не всегда просто знать, какие показатели использовать
С развитием глубокого обучения все больше и больше людей учатся обучать свой первый классификатор. Но как только вы закончите..
Работа с цепями Маркова, часть 4 (Машинное обучение)
Нелинейные цепи Маркова с агрегатором и их приложения (arXiv)
Автор : Бар Лайт
Аннотация: Изучаются свойства подкласса случайных процессов, называемых дискретными нелинейными цепями Маркова..
Crazy Laravel Livewire упростил мне создание электронной коммерции (панель администратора и API) [Часть 3]
Как вы сегодня, ребята?
В этой части мы создадим CRUD для данных о продукте. Думаю, в этой части я не буду слишком много делиться теорией, но чаще буду делиться своим кодом. Потому что..
Использование машинного обучения и Python для классификации 1000 сезонов новичков MLB Hitter
Чему может научиться машина, глядя на сезоны новичков 1000 игроков MLB? Это то, что исследует это приложение.
В этом процессе мы будем использовать неконтролируемое обучение, чтобы..
Учебные заметки: создание моего первого пакета Node.js
Это мои обучающие заметки, когда я научился создавать свой самый первый пакет Node.js, распространяемый через npm.
Оглавление
Глоссарий
I. Новый пакет
1.1 советы по инициализации..
Забудьте о Matplotlib: улучшите визуализацию данных с помощью умопомрачительных функций Seaborn!
Примечание. Эта запись в блоге предполагает базовое знакомство с Python и концепциями анализа данных.
Привет, энтузиасты данных! Добро пожаловать в мой блог, где я расскажу о невероятных..