秋华 - 博客园

2021年6月25日

机器学习sklearn（49）：特征工程（十六）特征降维（七）降维算法PCA和SVD（二）PCA与SVD

摘要： 0 PCA与SVD 1 降维究竟是怎样实现？ class sklearn.decomposition.PCA (n_components=None, copy=True, whiten=False, svd_solver=’auto’, tol=0.0,iterated_power=’auto’, 阅读全文

posted @ 2021-06-25 23:36 秋华阅读(367) 评论(0) 推荐(0)

机器学习sklearn（48）：特征工程（十五）特征降维（六）降维算法PCA和SVD（一）概述

摘要： 1 从什么叫“维度”说开来我们不断提到一些语言，比如说：随机森林是通过随机抽取特征来建树，以避免高维计算；再比如说，sklearn中导入特征矩阵，必须是至少二维；上周我们讲解特征工程，还特地提到了，特征选择的目的是通过降维来降低算法的计算成本……这些语言都很正常地被我用来使用，直到有一天，一个小伙阅读全文

posted @ 2021-06-25 23:11 秋华阅读(269) 评论(0) 推荐(0)

机器学习sklearn（47）：特征工程（十四）特征选择（五）Embedded嵌入法/Wrapper包装法

摘要： 1 Embedded嵌入法 from sklearn.feature_selection import SelectFromModel from sklearn.ensemble import RandomForestClassifier as RFC RFC_ = RFC(n_estimators 阅读全文

posted @ 2021-06-25 19:55 秋华阅读(571) 评论(0) 推荐(0)

2021年6月24日

机器学习sklearn（46）：特征工程（十三）特征选择（四）简介 /Filter过滤法

摘要：当数据预处理完成后，我们就要开始进行特征工程了。 #导入数据，让我们使用digit recognizor数据来一展身手 import pandas as pd data = pd.read_csv(r"C:\work\learnbetter\micro-class\week 3 Preprocess 阅读全文

posted @ 2021-06-24 23:58 秋华阅读(787) 评论(0) 推荐(0)

机器学习sklearn（45）：特征工程（十二）特征编码（六）处理分类型特征：编码与哑变量/处理连续型特征：二值化与分段

摘要： 1 处理分类型特征：编码与哑变量 from sklearn.preprocessing import LabelEncoder y = data.iloc[:,-1] #要输入的是标签，不是特征矩阵，所以允许一维 le = LabelEncoder() #实例化 le = le.fit(y) #导入阅读全文

posted @ 2021-06-24 23:12 秋华阅读(405) 评论(0) 推荐(0)

机器学习sklearn（44）：数据处理（七）数据无量纲化/缺失值

摘要： 1 数据无量纲化 from sklearn.preprocessing import MinMaxScaler data = [[-1, 2], [-0.5, 6], [0, 10], [1, 18]] #不太熟悉numpy的小伙伴，能够判断data的结构吗？ #如果换成表是什么样子？ import 阅读全文

posted @ 2021-06-24 22:53 秋华阅读(522) 评论(0) 推荐(0)

机器学习sklearn（四十三）：算法实例（十二）随机森林总结

摘要： 1 Bagging vs Boosting 2 RFC的参数列表 3 RFC的属性列表 4 RFC的接口列表阅读全文

posted @ 2021-06-24 19:56 秋华阅读(140) 评论(0) 推荐(0)

2021年6月23日

数据可视化基础专题（三十五）：Pandas基础（十五）关于axis参数的理解

摘要：来源：https://zhuanlan.zhihu.com/p/115646862 之前一直对pandas和numpy里的axis 参数理解的不透彻，今天把它写下来加深印象。 axis = 0 是代表跨行，而axis = 1 是代表跨列，想明白这一点，对于其他的操作就都想明白了。 numpy 官方文阅读全文

posted @ 2021-06-23 23:59 秋华阅读(818) 评论(0) 推荐(0)

机器学习sklearn（四十二）：算法实例（十一）分类（五）RandomForestClassifier（二）实例：随机森林在乳腺癌数据上的调参

摘要：案例中，往往使用真实数据，为什么我们要使用sklearn自带的数据呢？因为真实数据在随机森林下的调参过程，往往非常缓慢。真实数据量大，维度高，在使用随机森林之前需要一系列的处理，因此不太适合用来做直播中的案例演示。在本章，我为大家准备了kaggle上下载的辨别手写数字的数据，有4W多条记录700多个阅读全文

posted @ 2021-06-23 23:54 秋华阅读(889) 评论(0) 推荐(0)

机器学习sklearn（四十一）：算法实例（十）调参技巧

摘要：阅读全文

posted @ 2021-06-23 23:34 秋华阅读(139) 评论(0) 推荐(0)

秋华

公告