Betty__2017

摘要： 有时候我们会遇到调整后的模型反而不如调整前表现好的情况，这可能和数据的随机分割有关系。在这个不平衡的数据情况下，最好用层化（stratification）的方法，比如： from sklearn.cross_validation import StratifiedShuffleSplit...sss 阅读全文

摘要： 现在我们用的是F1指标，它对精度和召回用了同样的比重。有些情况下，我们可能会更偏向精度和召回中的某一项，这时候可以使用F-beta指标： f1_scorer = make_scorer(fbeta_score, beta=1, pos_label= "yes") 其中的beta参数决定了精度和召回的 阅读全文

摘要： http://scikit-learn.org/stable/modules/generated/sklearn.cross_validation.train_test_split.html 阅读全文

摘要： 比单独使用train_test_split来划分数据更严谨 stratify是为了保持split前类的分布。比如有100个数据，80个属于A类，20个属于B类。如果train_test_split(... test_size=0.25, stratify = y_all), 那么split之后数据如 阅读全文

摘要： 知人者智，自知者明； 胜人者力，自胜者强； 小胜者术，大胜者德。 阅读全文

摘要： https://webdocs.cs.ualberta.ca/~sutton/book/bookdraft2016sep.pdf 阅读全文

摘要： https://google.github.io/styleguide/pyguide.html 阅读全文

摘要： 转自 https://storage.googleapis.com/supplemental_media/udacityu/5446988865/ID3%20Algorithm%20for%20Decision%20Trees.pdf 阅读全文

摘要： 下载地址 http://download.csdn.net/detail/libingchen/9691767 阅读全文

摘要： 转自 http://scikit-learn.org/stable/tutorial/basic/tutorial.html#machine-learning-the-problem-setting In general, a learning problem considers a set of 阅读全文