sklearn
雨落的太敷衍..
这个作者很懒,什么都没留下…
展开
-
Scikit-learn(sklearn)基本操作(七)
下面完整代码在github仓库:传送门文章目录一、decision_tree二、DecisionTreeRegressor()三、data_read四、Kmeans一、decision_treefrom sklearn.datasets import load_iris, load_winefrom sklearn.tree import DecisionTreeClassifierfrom sklearn.tree import export_textfeature_data = loa原创 2020-11-21 16:45:59 · 228 阅读 · 0 评论 -
Scikit-learn(sklearn)基本操作(六)
下面完整代码在github仓库:传送门文章目录一、Normalizer()二、OneHotEncoder()三、SimpleImputer()四、DecisionTreeClassifier()一、Normalizer()from sklearn import preprocessingimport numpy as np""""6.Normalizer()norm:可以为l1、l2或max,默认为l2若为l1时,样本各个特征值除以各个特征值的绝对值之和若为l2时,样本各个特征值除以原创 2020-11-21 16:34:34 · 236 阅读 · 0 评论 -
Scikit-learn(sklearn)基本操作(五)
下面完整代码在github仓库:传送门文章目录一、标准化转换器二、preprocessing.MinMaxScaler(X)三、preprocessing.MaxAbsScaler()四、RobustScaler(),robust_scale()一、标准化转换器from sklearn import preprocessingimport numpy as np''' 1.preprocessing.scale(X), 可以直接将给定数据进行标准化 将每一列的特征标准化,每一列表示原创 2020-11-21 16:23:47 · 136 阅读 · 0 评论 -
Scikit-learn(sklearn)基本操作(四)
下面完整代码在github仓库:传送门文章目录一、分类报告、混淆矩阵二:机器学习的标准化三:支持向量机回归四:计算方差一、分类报告、混淆矩阵import numpy as npfrom sklearn import linear_model, svm, neighbors, datasets, preprocessingfrom sklearn.model_selection import train_test_splitfrom sklearn.metrics import accurac原创 2020-11-21 16:11:49 · 143 阅读 · 0 评论 -
Scikit-learn(sklearn)基本操作(三)
下面完整代码在github仓库:传送门文章目录一、核邻回归二、随机数状态固定三:多个核岭回归一、核邻回归import numpy as npfrom sklearn.kernel_ridge import KernelRidgeimport matplotlib.pyplot as pltfrom sklearn.model_selection import GridSearchCVrng = np.random.RandomState(0)# print(rng)X = 5 *原创 2020-11-21 16:02:25 · 163 阅读 · 0 评论 -
Scikit-learn(sklearn)基本操作(二)
下面完整代码在github仓库:传送门文章目录一、使用Sklean创建线性回归数据二、利用线性回归模型拟合数据三、模型回归评估指标一、使用Sklean创建线性回归数据import matplotlib.pyplot as pltfrom sklearn.datasets import make_regression# n_samples:生成样本数1000 n_feature:每个样本一个特征数 noise:样本随机噪点数 coef:是否返回回归系数x, y, coef原创 2020-11-21 15:56:07 · 195 阅读 · 0 评论 -
Scikit-learn(sklearn)基本操作(一)
下面完整代码在github仓库:传送门文章目录一、利用KNN模型进行鸢尾花分类二:利用交叉验证分数进行可视化。一、利用KNN模型进行鸢尾花分类加载数据:内置数据(鸢尾花)x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.3, random_state=0) # 将随机状态固定print(x_train.shape, y_train.shape, x_test.shape, y_test.shape)原创 2020-11-21 15:45:12 · 518 阅读 · 0 评论