Публикации по теме 'scikit-learn'
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,..
Обучаем компьютеры видеть
Как ведущая площадка по аренде комнат, Badi по своей природе наполнена медиа-контентом. Мы действительно серьезно об этом говорим; пользователи загрузили миллионы изображений с момента нашего запуска три года назад. Если у вас есть свободная комната, вы загрузите много фотографий своей классной квартиры, которые выделят ее. Более того, вы хотите, чтобы ваши будущие соседи по комнате знали, кто вы; в своем профиле вы, вероятно, включите красивое селфи, но если вы любитель домашних..
04 — Практика ML — SVM
Все ссылки взяты из книги Hands On Machine Learning with Scikit-learn, Keras & Tensorflow Орельена Герона. Блокнот для этой статьи можно найти здесь .
Машины опорных векторов можно использовать для линейной или нелинейной классификации, регрессии и даже обнаружения выбросов. Он хорошо подходит для сложных небольших или средних наборов данных. SVM также чувствительны к масштабированию функций, если функция стандартизирована, она будет лучше обобщаться. Классификатор SVM также не..
Принципы проектирования Scikit-Learn
Элегантный, прогрессивный и прагматичный
Вступление
Это сообщение в блоге - краткое размышление об элегантности принципов проектирования библиотеки Scikit-Learn. Чтобы было ясно: это не предназначено для руководства по использованию Scikit-Learn. Scikit-Learn - мощная, богатая и обширная библиотека Python для реализации машинного обучения. Библиотека предоставляет инструменты для моделирования (например, алгоритмы классификации, регрессии и кластеризации), выбора модели (например,..
5 простых шагов для создания простого анализа настроений в обзорах фильмов с использованием естественного языка…
— — Добро пожаловать в мой самый первый пост! Я надеюсь, что это будет знающий блог и отличное начало для меня! Не стесняйтесь оставлять свои комментарии ниже :)— —
Обработка естественного языка – это применение вычислительных методов для анализа и синтеза естественного языка и речи. Обработка естественного языка (NLP) была тенденцией в настоящее время, обзоры фильмов — довольно классический пример демонстрации простой NLP Модель мешка слов на обзорах фильмов. В этом посте я..
Машинное обучение: простая линейная регрессия с Python
Машинное обучение (МО) — это тип искусственного интеллекта (ИИ), который позволяет программным приложениям более точно прогнозировать результаты без явного программирования для этого. Алгоритмы машинного обучения используют исторические данные в качестве входных данных для прогнозирования новых выходных значений.
Существует 3 популярных типа машинного обучения: обучение с учителем, обучение без учителя и обучение с подкреплением.
В этом случае мы узнаем о контролируемом обучении с..
Новый Scikit-Learn больше подходит для анализа данных
Совместимость с Pandas и многое другое в версии Scikit-Learn ≥1.2.0
Примерно в декабре прошлого года Scikit-Learn выпустила крупное StandardScaler 2_0.html">стабильное обновление (v. 1.2.0–1), и, наконец, я могу попробовать некоторые из выделенных новых функций. Теперь он более совместим с Pandas, а некоторые другие функции также помогут нам в задачах регрессии и классификации. Ниже я расскажу о некоторых новых обновлениях с примерами их использования. Давай начнем!
Совместимость..
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..