机器学习
wilson_go
这个作者很懒,什么都没留下…
展开
-
精确率和召回率的概念
精确率是针对我们预测结果而言的,它表示的是预测为正的样本中有多少是真正的正样本。那么预测为正就有两种可能了,一种就是把正类预测为正类(TP),另一种就是把负类预测为正类(FP)而召回率是针对我们原来的样本而言的,它表示的是样本中的正例有多少被预测正确了。那也有两种可能,一种是把原来的正类预测成正类(TP),另一种就是把原来的正类预测为负类(FN)。其实就是分母不同,一个分母是预测为正的样本数,另一个是原来样本中所有的正样本数。假设我们手上有60个正样本,40个负样本,我们要找出所有的正样本,系统查原创 2020-06-18 18:31:06 · 399 阅读 · 0 评论 -
joblib保存模型
# from pickle import dumps## from sklearn import svm# from sklearn.datasets import load_irisfrom sklearn.datasets import load_irisfrom sklearn.externals import joblib# from sklearn.linear_model import LinearRegression# from sklearn.model_selection i原创 2020-06-18 17:28:45 · 737 阅读 · 0 评论 -
tensorflow快速安装命令
用管理员身份执行cmd,然后输入如下命令pip install tensorflow -i https://pypi.tuna.tsinghua.edu.cn/simple/原创 2020-06-18 16:47:19 · 397 阅读 · 0 评论 -
利用朴素贝叶斯对名字进行性别预测
基于Python 3.5。条件概率与贝叶斯定理对于事件A和B,当B发生的情况下,A发生的条件概率为P(A|B)=P(AB)P(B).如果把P(AB)表示为P(B|A)P(A),那么P(A|B)=P(B|A)P(A)P(B).朴素贝叶斯朴素贝叶斯是一个基于贝叶斯定理的分类算法,其基本假设是所有特征是相互独立的。 举个例子来说,有一个二元分类问题,每个样本只有两个二元特征X1和X2。若...原创 2018-12-01 16:10:10 · 2023 阅读 · 1 评论 -
机器学习神器:GBDT,XGBOOST
AdaBoost原理原始的AdaBoost算法是在算法开始的时候,为每一个样本赋上一个权重值,初始的时候,大家都是一样重要的。在每一步训练中得到的模型,会使得数据点的估计有对有错,我们就在每一步结束后,增加分错的点的权重,减少分对的点的权重,这样使得某些点如果老是被分错,那么就会被“重点关注”,也就被赋上一个很高的权重。然后等进行了N次迭代(由用户指定),将会得到N个简单的分类器(basic l...原创 2018-12-01 17:48:26 · 350 阅读 · 0 评论 -
sklearn进行数据分析
波士顿房价使用线性回归进行预测from sklearn import datasets#调用线性回归函数from sklearn.linear_model import LinearRegression#导入数据集#这里将全部数据用于训练,并没有对数据进行划分,上例中#将数据划分为训练和测试数据,后面会讲到交叉验证loaded_data = datasets.load_boston...原创 2019-02-27 20:57:46 · 1726 阅读 · 0 评论 -
人工智能机器学习
![机器学习机器学习是从数据中自动分析获得规律(模型),并利用规律对未知数据进行预测数据处理:首先将所有数据放在一起,然后将其顺序打乱。由于顺序不是判断酒水的依据,我们并不期望顺序影响到模型学习到的内容。换言之,我们判断一种酒是红的还是啤的,并不需要知道前一种或是接下来有什么酒出现。这时,可以着手绘出可视化的数据分析结果,这些分析图将有助于你发现不同变量之间的潜在相关性,并且能帮你发现是否...原创 2019-05-04 18:57:24 · 4727 阅读 · 1 评论 -
人工智能 特征工程 数据抽取、预处理、降维
字典数据抽取from sklearn.feature_extraction import DictVectorizerdict = DictVectorizer(sparse=False)data = dict.fit_transform([{'city': '北京','temperature': 100}, {'city': '上海','temperature':60}, {'city'...原创 2019-05-11 13:40:42 · 471 阅读 · 0 评论