朝闻道，夕死可矣。

摘要： 机器学习是一项经验技能，经验越多越好。在项目建立的过程中，实践是掌握机器学习的最佳手段。在实践过程中，通过实际操作加深对分类和回归问题的每一个步骤的理解，达到学习机器学习的目的。 预测模型项目模板不能只通过阅读来掌握机器学习的技能，需要进行大量的练习。本文将介绍一个通用的机器学习的项目模板，创建这个 阅读全文

摘要： 鄙人调参新手，最近用lightGBM有点猛，无奈在各大博客之间找不到具体的调参方法，于是将自己的调参notebook打印成markdown出来，希望可以跟大家互相学习。 其实，对于基于决策树的模型，调参的方法都是大同小异。一般都需要如下步骤： 首先选择较高的学习率，大概0.1附近，这样是为了加快收敛 阅读全文

摘要： 一、问题描述 当我们在处理图像识别或者图像分类或者其他机器学习任务的时候，我们总是迷茫于做出哪些改进能够提升模型的性能（识别率、分类准确率）。。。或者说我们在漫长而苦恼的调参过程中到底调的是哪些参数。。。所以，我花了一部分时间在公开数据集 CIFAR-10 [1] 上进行探索，来总结出一套方法能够快 阅读全文

摘要： 接触网络到现在,已是好多年前的事了.初识网络犹如初恋般,充满了新鲜和好奇,于是,从聊天室到QQ,MSN,邮箱,再去BBS.然后有了博客^^^^^^ 那时的网络于我是那般充满诱惑,整天穿梭其中,乐此不彼,因为好奇,因为喜欢,也不乏是快乐的.我用单纯捕获到了同样的善良的目光,于是QQ上就有了朋友. 畅所 阅读全文

摘要： 在做数据处理时，需要用到不同的手法，如特征标准化，主成分分析，等等会重复用到某些参数，sklearn中提供了管道，可以一次性的解决该问题 先展示先通常的做法 先对数据标准化，然后做主成分分析降维，最后做回归预测 现在使用管道 Pipeline对象接收元组构成的列表作为输入，每个元组第一个值作为变量名 阅读全文

摘要： 关于偏差、方差以及学习曲线为代表的诊断法： 在评估假设函数时，我们习惯将整个样本按照6:2:2的比例分割：60%训练集training set、20%交叉验证集cross validation set、20%测试集test set，分别用于拟合假设函数、模型选择和预测。 模型选择的方法为： 1. 使 阅读全文

摘要： 特征工程是数据分析中最耗时间和精力的一部分工作，它不像算法和模型那样是确定的步骤，更多是工程上的经验和权衡。因此没有统一的方法。这里只是对一些常用的方法做一个总结。本文关注于特征选择部分。后面还有两篇会关注于特征表达和特征预处理。 1. 特征的来源 在做数据分析的时候，特征的来源一般有两块，一块是业 阅读全文

摘要： linestyle可选参数： marker可选参数： matplotlib中color可用的颜色： 阅读全文

摘要： I noticed that that 'r2_score' and 'explained_variance_score' are both build-in sklearn.metrics methods for regression problems. I was always under th 阅读全文

摘要： 1 # coding: utf-8 2 3 ''' 4 第13章主要介绍：颜色空间转换 5 ''' 6 7 import cv2 8 import numpy as np 9 10 ''' 11 经常用到的颜色空间转换是: BGRGray 和 BGRHSV 12 cv2.cvtColor(input_image , flag),flag是转换类型：cv2.COLOR... 阅读全文