摘要：
1 SVC处理多分类问题：重要参数decision_function_shape 2 SVM的模型复杂度 3 SVM中的随机性：参数random_state 4 SVC的重要属性补充 #属性n_support_:调用每个类别下的支持向量的数目 clf_proba.n_support_ #属性coef 阅读全文
posted @ 2021-07-01 21:03
秋华
阅读(182)
评论(0)
推荐(0)
摘要：
0 简介 1 混淆矩阵（Confusion Matrix） 1.1 模型整体效果：准确率 1.2 捕捉少数类的艺术：精确度，召回率和F1 score #所有判断正确并确实为1的样本 / 所有被判断为1的样本 #对于没有class_weight，没有做样本平衡的灰色决策边界来说： (y[y == cl 阅读全文
posted @ 2021-06-30 23:22
秋华
阅读(474)
评论(0)
推荐(0)
摘要：
1 SVC用于二分类的原理复习 2 参数C的理解进阶 import numpy as np import matplotlib.pyplot as plt from matplotlib.colors import ListedColormap from sklearn import svm fro 阅读全文
posted @ 2021-06-30 22:20
秋华
阅读(326)
评论(0)
推荐(0)
摘要：
1 SVC的参数列表 2 SVC的属性列表 3 SVC的接口列表 阅读全文
posted @ 2021-06-29 23:49
秋华
阅读(100)
评论(0)
推荐(0)
摘要：
2 非线性SVM与核函数 2.1 SVC在非线性数据上的推广 2.2 重要参数kernel clf = SVC(kernel = "rbf").fit(X,y) plt.scatter(X[:,0],X[:,1],c=y,s=50,cmap="rainbow") plot_svc_decision_ 阅读全文
posted @ 2021-06-29 23:47
秋华
阅读(302)
评论(0)
推荐(0)
摘要：
class sklearn.svm.SVC (C=1.0, kernel=’rbf’, degree=3, gamma=’auto_deprecated’, coef0=0.0, shrinking=True,probability=False, tol=0.001, cache_size=200, 阅读全文
posted @ 2021-06-29 22:41
秋华
阅读(318)
评论(0)
推荐(0)
摘要：
1 支持向量机分类器是如何工作的 2 支持向量机原理的三层理解 3 sklearn中的支持向量机 阅读全文
posted @ 2021-06-29 20:36
秋华
阅读(154)
评论(0)
推荐(0)
摘要：
1 KMeans参数列表 2 KMeans属性列表 3 KMeans接口列表 阅读全文
posted @ 2021-06-29 20:23
秋华
阅读(73)
评论(0)
推荐(0)
摘要：
1. 导入需要的库 import numpy as np import matplotlib.pyplot as plt from sklearn.cluster import KMeans from sklearn.metrics import pairwise_distances_argmin 阅读全文
posted @ 2021-06-28 23:57
秋华
阅读(340)
评论(0)
推荐(0)
摘要：
class sklearn.cluster.KMeans (n_clusters=8, init=’k-means++’, n_init=10, max_iter=300, tol=0.0001,precompute_distances=’auto’, verbose=0, random_state 阅读全文
posted @ 2021-06-28 21:23
秋华
阅读(2513)
评论(0)
推荐(0)
浙公网安备 33010602011771号