Публикации по теме 'sklearn'
Лучше ли созданное с нуля дерево решений, чем стандартная версия sklearn?
В недавнем видео я сравнил созданную с нуля модель логистической регрессии с логистической регрессией sklearn, и этот пост в блоге можно посмотреть здесь: https://medium.com/mlearning-ai/a-comparison-of-made-from -необработанные-и-готовые-логистические-регрессионные-модели-a75e21e4b521»
Ой!! отличный блог. Это действительно восхитительная статья. Я восхищаюсь этим блогом.
Ой!! отличный блог. Это действительно восхитительная статья. Я восхищаюсь этим блогом.
Вебография для 4 манекенов, чтобы преуспеть в машинном обучении — глава 24, сцена 2
Чтение и запись файлов в Python При работе с Python вам не нужно импортировать библиотеку для чтения и записи файлов. Это обработано… www.pythonforbeginners.com
Регулярные выражения для специалистов по данным Как специалисты по данным, погружаться с головой в огромные кучи данных — часть миссии. Иногда сюда входят массивные… www.dataquest.io
Nowledgeable..
Сплиттеры в машинном обучении
В машинном обучении разделитель — это функция или модуль, используемый для разделения набора данных на два или более подмножества для разных целей. Разделение набора данных является важным шагом во многих задачах машинного обучения, таких как обучение модели, ее проверка и тестирование.
Наиболее распространенным типом разделителя является разделитель обучающего теста, который делит набор данных на два подмножества: обучающий набор и тестовый набор. Учебный набор используется для обучения..
Углубление регуляризации L1 с примером в Python (sklearn)
Регуляризация L1, также известная как регуляризация Лассо, представляет собой тип регуляризации, который добавляет штрафной член к целевой функции, чтобы уменьшить сложность модели. Целевая функция — это функция, которую модель пытается оптимизировать, и штрафной член добавляется, чтобы воспрепятствовать переобучению модели обучающими данными.
Член регуляризации L1 определяется как сумма абсолютных значений весов, умноженных на гиперпараметр, называемый лямбдой, который является..
9 примеров из библиотеки scikit-learn
1. Деревья решений
Классификатор дерева решений — это метод контролируемого обучения, который используется для классификации данных на основе некоторых опорных точек. Например, если вы не можете решить, выходить ли на улицу или нет, вы спрашиваете себя: "На улице идет дождь?" ?», «Нравится ли мне играть в футбол?» и «Получу ли я удовольствие от общения с теми, с кем собираюсь играть?» На основе ответов на вопросы в каждом узле дерева решений классификатор принимает решение..
Разве ты не будешь моим соседом?
K-Nearest Neighbor, шаг за шагом с scikit-learn
Заявление об ограничении ответственности : эта статья предназначена для самообучения, чтобы понять, как работают функции и алгоритмы машинного обучения. Проконсультируйтесь с различными ссылками, связанными в этом сообщении, для получения дополнительной информации. Код, используемый для модели, описанной ниже, можно просмотреть как файл Jupyter Notebook и получить доступ к нему из моего репозитория GitHub .
Вступление
K-Nearest..
Новые материалы
Я хотел выучить язык программирования MVC4, но не мог выучить его раньше, потому что это выглядит сложно…
Просто начните и учитесь самостоятельно
Я хотел выучить язык программирования MVC4, но не мог выучить его раньше, потому что он кажется мне сложным, и я бросил его. Это в основном инструмент..
Лицензии с открытым исходным кодом: руководство для разработчиков и создателей
В динамичном мире разработки программного обеспечения открытый исходный код стал мощной парадигмой, способствующей сотрудничеству, инновациям и прогрессу, движимому сообществом. В основе..
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..