摘要：
注：本文是 "人工智能研究网" 的学习笔记 回归器评估方法 explained_variance_score(...) mean_absolute_erroe(...) 平均绝对损失 mean_squared_error(...) 均方损失 median_absolute_error(...) r2 阅读全文
摘要：
注：本文是 "人工智能研究网" 的学习笔记 ROC是什么 二元分类器（binary classifier）的分类结果 ROC空间 最好的预测模型在左上角，代表100%的灵敏度和0%的虚警率，被称为完美分类器。 一个随机猜测模型。会给出从左下角到右上角的沿着对角线的点（对角线被称作line of no 阅读全文
摘要：
注：本文是 "人工智能研究网" 的学习笔记 Precision和Recall都能够从下面的TP,TN,FP,FN里面计算出来。 几个缩写的含义 ： 缩写 | 含义 | P | condition positive N | condition negative TP | true positive ( 阅读全文
摘要：
注：本文是 "人工智能研究网" 的学习笔记 准确率 accuracy_score：函数计算分类准确率，返回被正确分类的样本比例（default）或者是数量（normalize=False） 在多标签分类问题中，该函数返回子集的准确率，对于一个给定的多标签样本，如果预测得到的标签集合与该样本真正的标签 阅读全文
摘要：
注：本文是 "人工智能研究网" 的学习笔记 使用sklearn.metrics包中的性能度量函数 1. 分类器性能指标 2. 回归器性能指标 3. 聚类器性能指标 4. 两两距离测度 分类器性能评估指标 将二元分类指标拓展到多类或多标签问题中去 阅读全文
摘要：
注：本文是 "人工智能研究网" 的学习笔记 1. Estimator对象的score方法 2. 在交叉验证中使用scoring参数 3. 使用sklearn.metric中的性能度量函数 Estimator对象的score方法 分类算法必须要继承ClassifierMixin类， 回归算法必须要继承 阅读全文
摘要：
注：本文是 "人工智能研究网" 的学习笔记 模型验证方法一览 名称 | 模块 | 通过交叉验证计算得分 | model_selection.cross_val_score(estimator, X) 对每个输入点产生交叉验证估计 | model_selection.cross_val_predict 阅读全文
摘要：
注：本文是 "人工智能研究网" 的学习笔记 K折交叉验证 模块 | | sklearn.model_selection.KFold | sklearn.model_selection.GroupKFold | sklearn.model_selection.StratifiedKFold | 核心思 阅读全文
摘要：
注：本文是 "人工智能研究网" 的学习笔记 学习器模型中一般有两类参数，一类是可以从数据中学习估计得到，还有一类参数时无法从数据中估计，只能靠人的经验进行设计指定，后者成为超参数。比如，支持向量机里面的C, Kernal, game；朴素贝叶斯里面的alpha等。 使用以下的方法获得学习器模型的参数 阅读全文
摘要：
注：本文是 "人工智能研究网" 的学习笔记 标称型特征编码(Encoding categorical feature) 有些情况下，某些特征的取值不是连续的数值，而是离散的标称变量（categorical）。 比如一个人的特征描述可能是下面的或几种： 这样的特征可以被有效的编码为整型特征值（inte 阅读全文
摘要：
注：本文是 "人工智能研究网" 的学习笔记 规范化(Normalization) Normalization: scaling individual to have unit norm 规范化是指，将单个的样本特征向量变换成具有单位长度（unit norm）的特征向量的过程。当你要使用二次形式（qu 阅读全文
摘要：
注：本文是 "人工智能研究网" 的学习笔记 常用的数据预处理方式 1. Standardization, or mean removal and variance scaling 2. Normalization: scaling individual to have unit norm 3. Bi 阅读全文
摘要：
注：本文是 "人工智能研究网" 的学习笔记 sklearn.feature_extaction模块提供了从原始数据如文本，图像等中抽取能够被机器学习算法直接处理的特征向量。 Feature extraction和Feature selection是不同的：前者将任意的数据变换成机器学习算法可用的数值 阅读全文
摘要：
注：本文是 "人工智能研究网" 的学习笔记 Pipeline：chaining（链接）estimators Pipeline可以用于把多个estimators级联合成一个estimator。这么做的原因是考虑了数据处理过程的一系列前后相继的固定流程，比如：feature selection norm 阅读全文
摘要：
注：本文是 "人工智能研究网" 的学习笔记 数据集一览 类型 | 获取方式 | 自带的小数据集 | sklearn.datasets.load_ 在线下载的数据集 | sklearn.datasets.fetch_ 计算机生成的数据集 | sklearn.datasets.make_ svmligh 阅读全文
摘要：
注：本文是 "人工智能研究网" 的学习笔记 计算机生成的数据集 用于分类任务和聚类任务，这些函数产生样本特征向量矩阵以及对应的类别标签集合。 数据集 | 简介 | make_blobs | 多类单标签数据集，为每个类分配一个或者多个正态分布的点集，提供了控制每个数据点的参数：中心点（均值），标准差， 阅读全文
摘要：
六大板块 分类 | 回归 | 聚类 | 数据降维 | 数据预处理 | 特征抽取 | | | | | 统一API estimator.fit(X_train,[y_train]) | estimator.fit(X_train,[y_train]) | estimator.predict(X_test 阅读全文