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

于 2024-05-14 18:30:06 发布
阅读量680 收藏 14
点赞数 19
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_84592266/article/details/138865238
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

KNeighborsClassifier(algorithm=‘auto’, leaf_size=30, metric=‘minkowski’,
metric_params=None, n_jobs=None, n_neighbors=5, p=2,
weights=‘uniform’)


* 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]


* 翻转

encoder.inverse_transform(res)

array([‘setosa’, ‘virginica’, ‘setosa’, ‘setosa’, ‘versicolor’,
‘versicolor’, ‘setosa’, ‘virginica’, ‘versicolor’, ‘virginica’,
‘versicolor’, ‘virginica’, ‘virginica’, ‘virginica’, ‘versicolor’,
‘setosa’, ‘setosa’, ‘setosa’, ‘versicolor’, ‘setosa’, ‘virginica’,
‘setosa’, ‘virginica’, ‘versicolor’, ‘setosa’, ‘versicolor’,
‘setosa’, ‘setosa’, ‘versicolor’, ‘versicolor’], dtype=object)


* 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%


* 存储数据

out = iris_x_test.copy()
out[“y”] = iris_y_test
out[“pre”] = res
out






|  | petal\_length | petal\_width | y | pre |
| --- | --- | --- | --- | --- |
| 3 | 1.5 | 0.2 | 0 | 0 |
| 111 | 5.3 | 1.9 | 2 | 2 |
| 24 | 1.9 | 0.2 | 0 | 0 |
| 5 | 1.7 | 0.4 | 0 | 0 |
| 92 | 4.0 | 1.2 | 1 | 1 |
| 57 | 3.3 | 1.0 | 1 | 1 |
| 1 | 1.4 | 0.2 | 0 | 0 |
| 112 | 5.5 | 2.1 | 2 | 2 |
| 106 | 4.5 | 1.7 | 2 | 1 |
| 136 | 5.6 | 2.4 | 2 | 2 |
| 80 | 3.8 | 1.1 | 1 | 1 |
| 131 | 6.4 | 2.0 | 2 | 2 |
| 147 | 5.2 | 2.0 | 2 | 2 |
| 113 | 5.0 | 2.0 | 2 | 2 |
| 84 | 4.5 | 1.5 | 1 | 1 |
| 39 | 1.5 | 0.2 | 0 | 0 |
| 40 | 1.3 | 0.3 | 0 | 0 |
| 17 | 1.4 | 0.3 | 0 | 0 |
| 56 | 4.7 | 1.6 | 1 | 1 |
| 2 | 1.3 | 0.2 | 0 | 0 |
| 100 | 6.0 | 2.5 | 2 | 2 |
| 42 | 1.3 | 0.2 | 0 | 0 |
| 144 | 5.7 | 2.5 | 2 | 2 |
| 79 | 3.5 | 1.0 | 1 | 1 |
| 19 | 1.5 | 0.3 | 0 | 0 |
| 75 | 4.4 | 1.4 | 1 | 1 |
| 44 | 1.9 | 0.4 | 0 | 0 |
| 37 | 1.4 | 0.1 | 0 | 0 |
| 64 | 3.6 | 1.3 | 1 | 1 |
| 90 | 4.4 | 1.2 | 1 | 1 |

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](https://img-blog.csdnimg.cn/img_convert/38cf625e2c008ddb58f0bc985d309a3a.png)


### 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](https://img-blog.csdnimg.cn/img_convert/797b391477c7f0f659e798846bc74148.png)


### 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](https://img-blog.csdnimg.cn/img_convert/fea905d5404b54b9e917959208e3fa36.png)


### 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](https://img-blog.csdnimg.cn/img_convert/70b0e796eb05f176620879d79064ed65.png)


### 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](https://img-blog.csdnimg.cn/img_convert/cd8d8e3c1d9af93b5150e63c0a4175f1.png)


### 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](https://img-blog.csdnimg.cn/img_convert/5e02c370b247ca6445a89abf402d8386.png)


### 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](https://img-blog.csdnimg.cn/img_convert/1043158e461960413e4ba16f873bfd13.png)


### 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’,

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

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’,

[外链图片转存中…(img-Xtx1jm4f-1715682583593)]
[外链图片转存中…(img-kqJxV0rK-1715682583594)]
[外链图片转存中…(img-gDYlcNLw-1715682583594)]

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_84592266
关注
  • 19
    点赞
  • 踩
  • 14
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Python-sklearn文档
07-15
Python.Machine.Learning
1239_AppleHunter:两人游戏
06-11
名称（项目标题）：苹果猎人远程中心 ID (RC_ID) : 1239 学院/学院名称：莫罕达斯工程技术学院，ANAD。 城市、州、密码：NEDUMANGADU,TRIVANDRUM,KERALA 学生姓名：RETHEESH KUMAR RV 关于（简短描述/摘要）：这是一...
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 1496
Python：Sklearn库
python之Sklearn库
weixin_42384444的博客
08-12 1676
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
02-01 445
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
sklearn库（python机器学习）
在服务器上挂载OSS_bucket
01-11 415
最近想做个关于tf-idf的实验，找了好多代码都用到了sklearn库，今天先来简单了解一下。 sklearn共分为6大部分，分别用于完成分类任务，回归任务，聚类任务，降维任务，模型选择以及数据的预处理。 分类任务 回归任务 聚类任务 降维任务 ...
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...
模拟技术中的ANADIGICS 推出高性能 FTTH/FTTP 射频放大器
11-27
ANADIGICS,Inc.（纳斯达克交易代码：ANAD）今日推出了用于光纤到户/光纤到驻地 (FTTH/FTTP) 应用产品的 ACA2601 射频放大器。ACA2601 射频放大器与一根光电二极管搭配使用，能够在光纤网络终端 (ONT) 中提供光纤到...
ANADIGICS推出用于机顶盒的完全整合1GHz调谐器
01-19
(Nasdaq: ANAD) 宣布推出完全整合的 1GHz 调谐器 -- AIT1032，该调谐器使有线电视机顶盒、数字视频录像机 (DVR)、PC 电视调谐卡以及其他 tuner-on-board 应用能够实现全高清视频。通过将上变频器、下变频器、压控...
模拟技术中的ANADIGICS向华为交付3G音乐手机的WCDMA功率放大器
12-02
(Nasdaq: ANAD) 宣布，该公司正在向华为技术有限公司大批量交付针对其 U120更优化 3G 音乐手机的 ANADIGICS AWT6279 High-Efficiency-at-Low-Power (HELP3(TM))（低功耗高效率）“宽带 CDMA”(WCDMA) 功率放大器。...
Python机器学习教程—数据预处理(sklearn库)
danielxinhj的博客
10-13 1886
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常用库 sklearn
kfnorthwind的专栏
02-14 385
python常用库 - NumPy 和 sklearn入门 https://www.cnblogs.com/lianyingteng/p/7749609.html ML神器：sklearn的快速使用 http://www.cnblogs.com/lianyingteng/p/7811126.html Python之Sklearn使用教程 https://blog.csdn.net/xia...
2019_8_30 sklearn-数据预处理
To_Kiss_Someone的博客
08-31 449
先看一个例子 识别 Iris（鸢尾花）类别 鸢尾花识别是一个经典的机器学习分类问题，它的数据样本中包括了4个特征变量，1个类别变量，样本总数为150。 它的目标是为了根据花萼长度（sepal length）、花萼宽度（sepal width）、花瓣长度（petal length）、花瓣宽度（petal width）这四个特征来识别出鸢尾花属于山鸢尾（iris-setosa）、变色鸢尾（iris-v...
Python——sklearn库的安装
热门推荐
GeekZW的博客
03-21 12万+
Python——sklearn库的安装 做个笔记，时间久了，都忘了sklearn库的标准名字——scikit-learn。所以，不要用 pip install sklearn 应该是 pip install scikit-learn 真被自己蠢哭了。 说明：有的低版本的sklearn库没有"accuracy"，版本问题，更新一下包就可以哈。 ...
python机器学习中sklearn库简介学习
L29979264458的博客
05-05 1万+
python机器学习sklearn学习简介
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(1)
最新发布
2401_84182936的博客
04-30 806
【5】数据集的标准化（本数据集特征比较接近，实际处理过程中未标准化）【6】构建训练集和测试集（本课暂不考虑验证集）
Python之Sklearn使用教程
qq_36182852的博客
06-08 7968
文章目录1.Sklearn简介2.Sklearn安装3.Sklearn通用学习模式4.Sklearn datasets5.Sklearn Model的属性和功能6.Sklearn数据预处理7.交叉验证8.过拟合问题9.保存模型 1.Sklearn简介 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)
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...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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