Python基础（十三） 机器学习sklearn库详解与应用_e anad lib site-packages sklearn linear_model _lo

最新推荐文章于 2024-07-15 15:40:17 发布
最新推荐文章于 2024-07-15 15:40:17 发布
阅读量1.1k 收藏 23
点赞数 11
分类专栏： 程序员 文章标签： 大数据 面试 学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/2401_84182428/article/details/138674296
版权

img
img
img

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上大数据知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

需要这份系统化资料的朋友，可以戳这里获取

out = iris_x_test.copy()
out["y"] = iris_y_test
out["pre"] = res
out
petal_lengthpetal_widthypre
31.50.200
1115.31.922
241.90.200
51.70.400
924.01.211
573.31.011
11.40.200
1125.52.122
1064.51.721
1365.62.422
803.81.111
1316.42.022
1475.22.022
1135.02.022
844.51.511
391.50.200
401.30.300
171.40.300
564.71.611
21.30.200
1006.02.522
421.30.200
1445.72.522
793.51.011
191.50.300
754.41.411
441.90.400
371.40.100
643.61.311
904.41.211
out.to_csv("iris\_predict.csv")

【3】可视化

import numpy as np
import matplotlib as mpl
import matplotlib.pyplot as plt

def draw(clf):

    # 网格化
    M, N = 500, 500
    x1_min, x2_min = iris_simple[["petal\_length", "petal\_width"]].min(axis=0)
    x1_max, x2_max = iris_simple[["petal\_length", "petal\_width"]].max(axis=0)
    t1 = np.linspace(x1_min, x1_max, M)
    t2 = np.linspace(x2_min, x2_max, N)
    x1, x2 = np.meshgrid(t1, t2)
    
    # 预测
    x_show = np.stack((x1.flat, x2.flat), axis=1)
    y_predict = clf.predict(x_show)
    
    # 配色
    cm_light = mpl.colors.ListedColormap(["#A0FFA0", "#FFA0A0", "#A0A0FF"])
    cm_dark = mpl.colors.ListedColormap(["g", "r", "b"])
    
    # 绘制预测区域图
    plt.figure(figsize=(10, 6))
    plt.pcolormesh(t1, t2, y_predict.reshape(x1.shape), cmap=cm_light)
    
    # 绘制原始数据点
    plt.scatter(iris_simple["petal\_length"], iris_simple["petal\_width"], label=None,
                c=iris_simple["species"], cmap=cm_dark, marker='o', edgecolors='k')
    plt.xlabel("petal\_length")
    plt.ylabel("petal\_width")
    
    # 绘制图例
    color = ["g", "r", "b"]
    species = ["setosa", "virginica", "versicolor"]
    for i in range(3):
        plt.scatter([], [], c=color[i], s=40, label=species[i])    # 利用空点绘制图例
    plt.legend(loc="best")
    plt.title('iris\_classfier')


draw(clf)

image-20221003185312401

13.2 朴素贝叶斯算法

【1】基本思想

当X=(x1, x2)发生的时候，哪一个yk发生的概率最大

【2】sklearn实现

from sklearn.naive_bayes import GaussianNB
  • 构建分类器对象
clf = GaussianNB()
clf
  • 训练
clf.fit(iris_x_train, iris_y_train)
  • 预测
res = clf.predict(iris_x_test)
print(res)
print(iris_y_test.values)


[0 2 0 0 1 1 0 2 1 2 1 2 2 2 1 0 0 0 1 0 2 0 2 1 0 1 0 0 1 1]
[0 2 0 0 1 1 0 2 2 2 1 2 2 2 1 0 0 0 1 0 2 0 2 1 0 1 0 0 1 1]
  • 评估
accuracy = clf.score(iris_x_test, iris_y_test)
print("预测正确率:{:.0%}".format(accuracy))


预测正确率:97%
  • 可视化
draw(clf)

image-20221003185331876

13.3 决策树算法

【1】基本思想

CART算法：每次通过一个特征，将数据尽可能的分为纯净的两类，递归的分下去

【2】sklearn实现

from sklearn.tree import DecisionTreeClassifier
  • 构建分类器对象
clf = DecisionTreeClassifier()
clf


DecisionTreeClassifier(class_weight=None, criterion='gini', max_depth=None,
                       max_features=None, max_leaf_nodes=None,
                       min_impurity_decrease=0.0, min_impurity_split=None,
                       min_samples_leaf=1, min_samples_split=2,
                       min_weight_fraction_leaf=0.0, presort=False,
                       random_state=None, splitter='best')
  • 训练
clf.fit(iris_x_train, iris_y_train)


DecisionTreeClassifier(class_weight=None, criterion='gini', max_depth=None,
                       max_features=None, max_leaf_nodes=None,
                       min_impurity_decrease=0.0, min_impurity_split=None,
                       min_samples_leaf=1, min_samples_split=2,
                       min_weight_fraction_leaf=0.0, presort=False,
                       random_state=None, splitter='best')
  • 预测
res = clf.predict(iris_x_test)
print(res)
print(iris_y_test.values)


[0 2 0 0 1 1 0 2 1 2 1 2 2 2 1 0 0 0 1 0 2 0 2 1 0 1 0 0 1 1]
[0 2 0 0 1 1 0 2 2 2 1 2 2 2 1 0 0 0 1 0 2 0 2 1 0 1 0 0 1 1]
  • 评估
accuracy = clf.score(iris_x_test, iris_y_test)
print("预测正确率:{:.0%}".format(accuracy))


预测正确率:97%
  • 可视化
draw(clf)

image-20221003185344894

13.4 逻辑回归算法

【1】基本思想

一种解释：

训练：通过一个映射方式，将特征X=（x1, x2） 映射成 P(y=ck), 求使得所有概率之积最大化的映射方式里的参数

预测：计算p(y=ck) 取概率最大的那个类别作为预测对象的分类

【2】sklearn实现

from sklearn.linear_model import LogisticRegression
  • 构建分类器对象
clf = LogisticRegression(solver='saga', max_iter=1000)
clf


LogisticRegression(C=1.0, class_weight=None, dual=False, fit_intercept=True,
                   intercept_scaling=1, l1_ratio=None, max_iter=1000,
                   multi_class='warn', n_jobs=None, penalty='l2',
                   random_state=None, solver='saga', tol=0.0001, verbose=0,
                   warm_start=False)
  • 训练
clf.fit(iris_x_train, iris_y_train)


C:\Users\ibm\Anaconda3\lib\site-packages\sklearn\linear_model\logistic.py:469: FutureWarning: Default multi_class will be changed to 'auto' in 0.22. Specify the multi_class option to silence this warning.
  "this warning.", FutureWarning)





LogisticRegression(C=1.0, class_weight=None, dual=False, fit_intercept=True,
                   intercept_scaling=1, l1_ratio=None, max_iter=1000,
                   multi_class='warn', n_jobs=None, penalty='l2',
                   random_state=None, solver='saga', tol=0.0001, verbose=0,
                   warm_start=False)
  • 预测
res = clf.predict(iris_x_test)
print(res)
print(iris_y_test.values)


[0 2 0 0 1 1 0 2 1 2 1 2 2 2 1 0 0 0 1 0 2 0 2 1 0 1 0 0 1 1]
[0 2 0 0 1 1 0 2 2 2 1 2 2 2 1 0 0 0 1 0 2 0 2 1 0 1 0 0 1 1]
  • 评估
accuracy = clf.score(iris_x_test, iris_y_test)
print("预测正确率:{:.0%}".format(accuracy))


预测正确率:97%
  • 可视化
draw(clf)

image-20221003185357659

13.5 支持向量机算法

【1】基本思想

以二分类为例，假设数据可用完全分开：

用一个超平面将两类数据完全分开，且最近点到平面的距离最大

【2】sklearn实现

from sklearn.svm import SVC
  • 构建分类器对象
clf = SVC()
clf


SVC(C=1.0, cache_size=200, class_weight=None, coef0=0.0,
    decision_function_shape='ovr', degree=3, gamma='auto_deprecated',
    kernel='rbf', max_iter=-1, probability=False, random_state=None,
    shrinking=True, tol=0.001, verbose=False)
  • 训练
clf.fit(iris_x_train, iris_y_train)


C:\Users\ibm\Anaconda3\lib\site-packages\sklearn\svm\base.py:193: FutureWarning: The default value of gamma will change from 'auto' to 'scale' in version 0.22 to account better for unscaled features. Set gamma explicitly to 'auto' or 'scale' to avoid this warning.
  "avoid this warning.", FutureWarning)





SVC(C=1.0, cache_size=200, class_weight=None, coef0=0.0,
    decision_function_shape='ovr', degree=3, gamma='auto_deprecated',
    kernel='rbf', max_iter=-1, probability=False, random_state=None,
    shrinking=True, tol=0.001, verbose=False)
  • 预测
res = clf.predict(iris_x_test)
print(res)
print(iris_y_test.values)


[0 2 0 0 1 1 0 2 1 2 1 2 2 2 1 0 0 0 1 0 2 0 2 1 0 1 0 0 1 1]
[0 2 0 0 1 1 0 2 2 2 1 2 2 2 1 0 0 0 1 0 2 0 2 1 0 1 0 0 1 1]
  • 评估
accuracy = clf.score(iris_x_test, iris_y_test)
print("预测正确率:{:.0%}".format(accuracy))


预测正确率:97%
  • 可视化
draw(clf)

image-20221003185417865

13.6 集成方法——随机森林

【1】基本思想

训练集m，有放回的随机抽取m个数据，构成一组，共抽取n组采样集

n组采样集训练得到n个弱分类器 弱分类器一般用决策树或神经网络

将n个弱分类器进行组合得到强分类器

【2】sklearn实现

from sklearn.ensemble import RandomForestClassifier
  • 构建分类器对象
clf = RandomForestClassifier()
clf


RandomForestClassifier(bootstrap=True, class_weight=None, criterion='gini',
                       max_depth=None, max_features='auto', max_leaf_nodes=None,
                       min_impurity_decrease=0.0, min_impurity_split=None,
                       min_samples_leaf=1, min_samples_split=2,
                       min_weight_fraction_leaf=0.0, n_estimators='warn',
                       n_jobs=None, oob_score=False, random_state=None,
                       verbose=0, warm_start=False)
  • 训练
clf.fit(iris_x_train, iris_y_train)


C:\Users\ibm\Anaconda3\lib\site-packages\sklearn\ensemble\forest.py:245: FutureWarning: The default value of n_estimators will change from 10 in version 0.20 to 100 in 0.22.
  "10 in version 0.20 to 100 in 0.22.", FutureWarning)





RandomForestClassifier(bootstrap=True, class_weight=None, criterion='gini',
                       max_depth=None, max_features='auto', max_leaf_nodes=None,
                       min_impurity_decrease=0.0, min_impurity_split=None,
                       min_samples_leaf=1, min_samples_split=2,
                       min_weight_fraction_leaf=0.0, n_estimators=10,
                       n_jobs=None, oob_score=False, random_state=None,
                       verbose=0, warm_start=False)
  • 预测
res = clf.predict(iris_x_test)
print(res)
print(iris_y_test.values)


[0 2 0 0 1 1 0 2 1 2 1 2 2 2 1 0 0 0 1 0 2 0 2 1 0 1 0 0 1 1]
[0 2 0 0 1 1 0 2 2 2 1 2 2 2 1 0 0 0 1 0 2 0 2 1 0 1 0 0 1 1]
  • 评估
accuracy = clf.score(iris_x_test, iris_y_test)
print("预测正确率:{:.0%}".format(accuracy))


预测正确率:97%
  • 可视化
draw(clf)

image-20221003185427636

13.7 集成方法——Adaboost

【1】基本思想

训练集m，用初始数据权重训练得到第一个弱分类器，根据误差率计算弱分类器系数，更新数据的权重

使用新的权重训练得到第二个弱分类器，以此类推

根据各自系数，将所有弱分类器加权求和获得强分类器

【2】sklearn实现

from sklearn.ensemble import AdaBoostClassifier
  • 构建分类器对象
clf = AdaBoostClassifier()
clf


AdaBoostClassifier(algorithm='SAMME.R', base_estimator=None, learning_rate=1.0,
                   n_estimators=50, random_state=None)
  • 训练
clf.fit(iris_x_train, iris_y_train)


AdaBoostClassifier(algorithm='SAMME.R', base_estimator=None, learning_rate=1.0,
                   n_estimators=50, random_state=None)
  • 预测
res = clf.predict(iris_x_test)
print(res)
print(iris_y_test.values)


[0 2 0 0 1 1 0 2 1 2 1 2 2 2 1 0 0 0 1 0 2 0 2 1 0 1 0 0 1 1]
[0 2 0 0 1 1 0 2 2 2 1 2 2 2 1 0 0 0 1 0 2 0 2 1 0 1 0 0 1 1]
  • 评估
accuracy = clf.score(iris_x_test, iris_y_test)
print("预测正确率:{:.0%}".format(accuracy))


预测正确率:97%
  • 可视化
draw(clf)

image-20221003185435042

13.8 集成方法——梯度提升树GBDT

【1】基本思想

训练集m，获得第一个弱分类器，获得残差，然后不断地拟合残差

所有弱分类器相加得到强分类器

【2】sklearn实现

from sklearn.ensemble import GradientBoostingClassifier
  • 构建分类器对象
clf = GradientBoostingClassifier()
clf


GradientBoostingClassifier(criterion='friedman_mse', init=None,
                           learning_rate=0.1, loss='deviance', max_depth=3,
                           max_features=None, max_leaf_nodes=None,
                           min_impurity_decrease=0.0, min_impurity_split=None,
                           min_samples_leaf=1, min_samples_split=2,
                           min_weight_fraction_leaf=0.0, n_estimators=100,
                           n_iter_no_change=None, presort='auto',
                           random_state=None, subsample=1.0, tol=0.0001,
                           validation_fraction=0.1, verbose=0,
                           warm_start=False)
  • 训练
clf.fit(iris_x_train, iris_y_train)


GradientBoostingClassifier(criterion='friedman_mse', init=None,
                           learning_rate=0.1, loss='deviance', max_depth=3,
                           max_features=None, max_leaf_nodes=None,
                           min_impurity_decrease=0.0, min_impurity_split=None,
                           min_samples_leaf=1, min_samples_split=2,
                           min_weight_fraction_leaf=0.0, n_estimators=100,
                           n_iter_no_change=None, presort='auto',
                           random_state=None, subsample=1.0, tol=0.0001,
                           validation_fraction=0.1, verbose=0,
                           warm_start=False)
  • 预测
res = clf.predict(iris_x_test)
print(res)
print(iris_y_test.values)


[0 2 0 0 1 1 0 2 1 2 1 2 2 2 1 0 0 0 1 0 2 0 2 1 0 1 0 0 1 1]
[0 2 0 0 1 1 0 2 2 2 1 2 2 2 1 0 0 0 1 0 2 0 2 1 0 1 0 0 1 1]
  • 评估
accuracy = clf.score(iris_x_test, iris_y_test)
print("预测正确率:{:.0%}".format(accuracy))


预测正确率:97%
  • 可视化
draw(clf)

image-20221003185442850

13.9 常用方法

【1】xgboost

GBDT的损失函数只对误差部分做负梯度（一阶泰勒）展开

XGBoost损失函数对误差部分做二阶泰勒展开，更加准确，更快收敛

img
img
img

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上大数据知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

需要这份系统化资料的朋友，可以戳这里获取

[0 2 0 0 1 1 0 2 1 2 1 2 2 2 1 0 0 0 1 0 2 0 2 1 0 1 0 0 1 1]
[0 2 0 0 1 1 0 2 2 2 1 2 2 2 1 0 0 0 1 0 2 0 2 1 0 1 0 0 1 1]
  • 评估
accuracy = clf.score(iris_x_test, iris_y_test)
print("预测正确率:{:.0%}".format(accuracy))


预测正确率:97%
  • 可视化
draw(clf)

image-20221003185442850

13.9 常用方法

【1】xgboost

GBDT的损失函数只对误差部分做负梯度（一阶泰勒）展开

XGBoost损失函数对误差部分做二阶泰勒展开，更加准确，更快收敛

[外链图片转存中…(img-Z8F5wMob-1715332846844)]
[外链图片转存中…(img-gX7xHf0n-1715332846844)]
[外链图片转存中…(img-0yaq10GJ-1715332846844)]

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上大数据知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

需要这份系统化资料的朋友，可以戳这里获取

2401_84182428
关注
专栏目录
小甲鱼python（2019最新版）学习笔记（P3-P8）
weixin_45413322的博客
12-20 1150
P3：设计小游戏 """用python设计第一个游戏""" temp = input("不妨猜一下小甲鱼现在心里想的是哪个数字:") guess = int(temp) if guess==8: print("你是小甲鱼心里的蛔虫嘛?") print("猜中了也没奖励") else: print("猜错了，想的是8") print("游戏结束") 课后作业： temp = input("please input a number between 1-100")
python第三方库sklearn_contrib_py_earth
09-18
sklearn是python著名的机器学习库，它其中封装了大量的机器学习算法，内置了大量的公开数据集，并且拥有完善的文档，因此成为目前最受欢迎的机器学习学习与实践的工具。
深度之眼（二十三）——Python：Sklearn库
一个电子信息嵌入式的学习笔记
08-09 1530
Python：Sklearn库
【Python】sklearn教程
最新发布
Young_Pro的博客
07-15 2026
sklearn是 Python 中一个非常重要的机器学习库，全称为。它是基于Python语言的机器学习工具，提供了一系列简单高效的机器学习算法。sklearn库通常与NumPy和SciPy库一起使用，用于数据预处理、特征选择、模型训练、模型评估等机器学习的各个方面。sklearn 的设计理念是“API的一致性”、“可检验性”和“通用性”，这使得它非常易于使用和扩展。
python sklearn库
qq_40844254的博客
03-01 184
sklearn机器学习的流程图 在这里插入图片描述
python-Sklearn库
qq_45479499的博客
11-05 409
Sklearn基本属性Sklearn算法库1.K近邻算法kNN2.朴素贝叶斯算法3逻辑回归4支持向量机5集成方法-随机森林6集成方法——Adaboost7集成方法-梯度提升树GBDT 基本属性 Scikit-learn(sklearn)是机器学习中常用的第三方模块，对常用的机器学习方法进行了封装，包括回归(Regression)、降维(Dimensionality Reduction)、分类(Classfication)、聚类(Clustering)等方法。当我们面临机器学习问题时，便可根据下图来选择..
python：sklearn库
信仰.的博客
11-28 451
官方文档： https://scikit-learn.org/stable/ 不了解sklearn库的安装的话可以自行百度，这里不再过多介绍。 该库内置的数据集： ...
nand.rar_dsp2812 nand
09-19
标题中的“nand.rar_dsp2812 nand”暗示了本次讨论的主题是关于TI公司的DSP2812微控制器与NAND闪存的交互。NAND闪存是一种非易失性存储技术，广泛应用于各种电子设备中，如移动设备、数字相机和固态硬盘等。而DSP...
ad采样的符号位_AD采样后数据如何在FPGA中转化为有符号数
weixin_39866419的博客
01-17 1999
联系人:梁先生手机:电话:086-010-51986955传真:-010-51986915QQ:547156795地址:海淀区远大路20号姜杰钢琴城文化艺术大厦E座11C2-2摘要：*******北京显易科技*********输入系统的有正有负的模拟信号在AD采样前，会加上了直流偏置变成全正信号才输入AD的，所以在AD采样后送给FPGA的信号是无符号数，而我们后续的信号处理是需要对真实的信号进行...
基于CSV数据训练测试模型
weixin_38102882的博客
11-28 2056
基于语音进行情绪识别 数据类型为csv文件，其中包含847个特征列。类别有三类：happy,surprised,angry。 数据集可以在kaggle上下载 链接地址：https://www.kaggle.com/ashishbansal23/emotion-recognition 基本包的导入 import numpy as np import pandas as pd from sklearn...
python第三方库sklearn_contrib_lightning
09-18
Lightning 是大规模线性回归、分类、排名的 Python 库。
python之Sklearn库
weixin_42384444的博客
08-12 1703
python之Sklearn库0 前言1. 数据集的预处理1.0 下载数据1.1 数据查看1.2 标签清洗1.3 标签编码1.4 数据集得标准化1.5 构建训练集和测试集2. 八大分类算法2.1 K近邻(KNN)2.1.1 介绍2.1.2 实现2.2 朴素贝叶斯算法2.2.1 介绍2.2.2 实现2.3 决策树算法2.3.1 介绍2.3.2 实现2.4 逻辑回归2.4.1 介绍2.4.2 实现2.5 支持向量机算法2.5.1 介绍2.5.2 实现2.6 集成方法 -- 随机森林2.6.1 介绍2.6.2 实
python sklearn库（1）
gua_niu123的博客
02-01 462
sklearn官方文档的内容和结构 sklearn官方文档的内容 定义：针对经验E和一系列的任务T和一定表现的衡量P，如果随着经验E的积累，针对定义好的任务T可以提高表现P，就说明机器具有学习能力。 sklearn官方文档结构 由图中，可以看到库的算法主要有四类：分类，回归，聚类，降维。其中： 常用的回归：线性、决策树、SVM、KNN ；集成回归：随机森林、Adaboost、GradientBoosting、Bagging、ExtraTrees 常用的分类：线性、决策树、SVM、KNN，朴素贝叶斯；集
Python的机器学习库：Sklearn库
m0_70911440的博客
11-20 1830
其中，Scikit-learn（简称Sklearn）作为Python中最受欢迎和广泛使用的机器学习库之一，提供了丰富的功能和算法，帮助用户快速实现各种机器学习任务。3. 完善的文档和示例：Sklearn库提供了详细的文档和示例，帮助用户理解和使用库中的功能和算法。2. 丰富的功能和算法：Sklearn库提供了丰富的机器学习功能和算法，包括监督学习、无监督学习、特征工程和模型评估等。2. 图像识别：使用Sklearn库提供的特征选择和分类算法，可以实现对图像数据的识别和分类，如人脸识别和图像标注等。
python第三方库——sklearn库
CodeTutor
09-19 2954
１、metrics precision: from sklearn.metrics import precision_score precision_score(y_true, y_pre)＃两个输入可以是shape = [n_samples]，也可以是稀疏的矩阵one-hot表示 需要注意的点就是如果是多类别或者多标签问题，需要指定参数average的值: precision_sc
Python机器学习教程—数据预处理(sklearn库)
danielxinhj的博客
10-13 1928
了解了机器学习的基础知识后我们便正式进入机器学习的实践领域，通过实践来了解机器学习到底都在做些什么，首先要进行的一项重要工作便是数据预处理。日常生活中的数据有文字、图像、音频等多种形式，但熟悉计算机的同学都知道它们在计算机中会以以后在机器学习中最常接触的便是“一行一样本、一列一特征”的数据样本矩阵。一般情况下利用python的sklearn库来解决数据预处理、构建机器学习模型包括模型评估的问题，所有预处理的api基本都在这个库中，这个模块也会是我们知道对当前的一组数据都有什么样的预处理手段和api方法。
Python机器学习笔记：sklearn库的学习
weixin_30602505的博客
12-29 1105
　　网上有很多关于sklearn的学习教程，大部分都是简单的讲清楚某一方面，其实最好的教程就是官方文档。 　　官方文档地址：https://scikit-learn.org/stable/ （可是官方文档非常详细，同时许多人对官方文档的理解和结构上都不能很好地把握，我也打算好好学习sklearn，这可能是机器学习的神器），下面先简单介绍一下sklearn。 　　自2007年发布以来，scik...
python sklearn库集成_Python的机器学习库之Sklearn快速入门
weixin_31437175的博客
12-23 221
1.基本概述Scikit-learn 也简称 Sklearn, 是机器学习领域当中最知名的 python 模块之一.Sklearn 包含了很多种机器学习的方式:Classification 分类Regression 回归Clustering 非监督分类Dimensionality reduction 数据降维Model Selection 模型选择Preprocessing 数据预处理一目了然的流...
用systemverilog写个mdio接口转apb接口代码
06-09
localparam MDIO_ANAD_REG = 4; localparam MDIO_ANLPAD_REG = 5; // Define internal registers logic [15:0] mdio_data_out; logic [31:0] apb_addr_reg; logic apb_rd_en_reg; logic apb_wr_en_reg; // Control...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值