nnnnnnnnnnnnnnnn

摘要： # coding: utf-8"""svm 四个核在iris上的测试"""import timeimport matplotlib as mplimport matplotlib.pyplot as pltfrom keras.utils import to_categoricalimport nu 阅读全文

摘要： # coding: utf-8"""在iris上 对比机器学习效率"""import numpy as npimport pandas as pdimport lightgbm as lgb# SVC向量机from sklearn.ensemble import RandomForestClassi 阅读全文

摘要： xgboot是个人认为最全能的机器学习算法 核心思想是贪心策略+最优化（二次最优化） 背包问题 预测函数的loss最优 一、 1. 分类：信息增益、信息增益率、基尼系数来判定树的节点分裂 结果是类别 2.回归：预测误差，常用的有均方误差、对数误差等 结果是数值 二、bagging boosting 阅读全文

摘要： 随机：一个是随机选取样本，一个是随机选取特征。 n 条数据 ，m个特征 随机2/3 袋外误差：袋外样本做测试集造成的误差称为袋外误差 1/3 随机森林的思想：构建出优秀的树，优秀的树需要优秀的特征。那我们需要知道各个特征的重要程度。 1.每个特征在多棵数中出现，取这个特征值在多棵树中的重要程度的均值 阅读全文

摘要： 1. 调参利用网格搜索 利用普遍的范围 去获得一个最优值 note： sparse_result = tfidf_model.transform(document) # 得到tf-idf矩阵，稀疏矩阵表示法 print(sparse_result) # (0, 3) 0.814802474667 # 阅读全文

摘要： 1. 回归就是计算回归系数，通过回归系数线性组合属性预测数值结果，回归以误差平方和最小为目的，其实是在假定误差服从高斯分布 2. LinearRegression： 根据特征和对应标签 生成回归模型 3. demo #!/usr/bin/env python3# -*- coding:utf8 -* 阅读全文

摘要： 聚类： 1.通过词袋向量 进行聚类 a. word_vectors = model.wv.vectorsb. idx = KMeans(n_clusters=50, n_jobs=NUM_CORES)c. word_centroid_map = dict(zip(model.wv.index2wor 阅读全文

摘要： 总体路线 ：1. embeddding layers 》2.convolutional layer 》3.max-pooling 》4.softmax layer. 1.embedded 将每一个词语对应的向量合并成一个矩阵 作用 进行降维 将维度从词的个数降成词向量的维度、建立词语之间的联系 vo 阅读全文

摘要： 一、模块 模块preprocessing：几乎包含数据预处理的所有内容 模块Impute：填补缺失值专用 模块feature_selection：包含特征选择的各种方法的实践 模块decomposition：包含降维算法 验证算法： sklearn.metrics print(classificat 阅读全文

摘要： 多类分类 类与类之间是互斥的 Multiclass classification 标签二值化后[0 0 0 0 1] 损失函数选择：categorical_crossentropy 最后的全dense层选择的激活函数：softmax 多标签分类 类与类之间可以共同存在 Multi-label cla 阅读全文