Публикации по теме 'scikit-learn'
Сравнение TensorFlow и модели случайного леса с Python
Введение Звезда-пульсар, излучающая пучок электромагнитного излучения, которую можно увидеть, только направив ее на Землю. В этой статье я разработал модель прогнозирования с использованием TensorFlow и Random Forest и сравнил результаты двух моделей. Результат показывает, что модели, разработанные с использованием TensorFlow и Random Forest, имеют очень высокую точность.
Набор данных и информация об атрибутах для этой разработки были получены из следующего источника и ссылки:..
Случайное моделирование леса для прогнозирования почасового спроса на велосипеды в районе Ттарынджи в Сеуле, Южный…
Задача регрессии обучения с учителем.
Фон
Растущее повсеместное распространение информационных технологий за последние два десятилетия привело к массовому расцвету так называемой экономики совместного использования, создав возможности для большого количества людей коллективно использовать физические объекты или услуги, которые ранее были доступны только в форме частной собственности. Мы видели, как появилось несколько компаний, которые воспользовались этим изменчивым ландшафтом,..
Использование Python для оценки наборов функций
Обзор
Машинное обучение scikit-learn для Python предоставляет полезную функциональность для оценки моделей и выбора оптимального набора переменных или функций (scikit-learn.org). Фактически, набор инструментов предоставляет ряд классов, специально предназначенных для того, чтобы помочь разработчикам моделей выбрать набор независимых независимых переменных или признаков. Например, выбор признаков предлагает инструменты для исключения признаков с низкой дисперсией, выбора признаков на..
Соображения по выбору алгоритма машинного обучения
Как использовать памятку Scikit-learn для выбора правильного алгоритма
Проще говоря, машинное обучение означает, что наши машины и программное обеспечение обучаются на основе предоставленных данных . Это отрасль искусственного интеллекта и компьютерных наук, которая фокусируется на использовании данных и алгоритмов для имитации того, как люди учатся, с целью постоянного повышения точности. Например: В детстве нам было любопытно научиться кататься на велосипеде. Изначально мы не..
Развертывание модели машинного обучения с использованием Streamlit
Модели машинного обучения — это мощные инструменты для прогнозирования и извлечения информации из данных. Однако развертывание этих моделей может оказаться непростой задачей, особенно для тех, кто не имеет опыта разработки программного обеспечения. В этом сообщении блога мы рассмотрим, как развернуть модель машинного обучения с помощью Streamlit, мощной платформы с открытым исходным кодом для создания веб-приложений.
Мы сосредоточимся на развертывании классификатора случайного леса,..
Простое руководство по конвейерам Scikit-learn
Узнайте, как использовать конвейеры в рабочем процессе машинного обучения scikit-learn
В большинстве проектов машинного обучения данные, с которыми вам нужно работать, вряд ли будут в идеальном формате для создания наиболее эффективной модели. Довольно часто необходимо выполнить ряд этапов преобразования, таких как кодирование категориальных переменных, масштабирование функций и нормализация. Scikit-learn имеет встроенные функции для большинства этих часто используемых преобразований..
Типы регуляризации и когда их использовать.
В этой статье будут объяснены 3 типа регуляризации, а также где и как их использовать с помощью Scikit-Learn.
Зачем нужна регуляризация?
Для начала нам нужно понять, зачем нужна регуляризация. Регуляризация в основном используется для того, чтобы модель не переборщила с данными. Полиномиальные модели являются наиболее распространенными, в которых может быть полезна регуляризация, поскольку она может иметь функции более высокой степени, которые могут привести к переобучению модели,..
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..