Публикации по теме 'scikit-learn'
Ансамблевое обучение с помощью Scikit-Learn: дружелюбное введение
Алгоритмы ансамблевого обучения, такие как XGBoost или Random Forests, входят в число самых эффективных моделей в соревнованиях Kaggle. Как они работают?
Фундаментальные алгоритмы обучения, такие как логистическая регрессия или линейная регрессия, часто слишком просты для достижения адекватных результатов при решении задач машинного обучения. Хотя возможным решением является использование нейронных сетей, они требуют огромного количества обучающих данных, которые редко доступны...
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..
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..