机器学习函数篇

最新推荐文章于 2022-08-28 12:07:01 发布

踩坑记录

最新推荐文章于 2022-08-28 12:07:01 发布

阅读量610

点赞数

分类专栏：机器学习

本文链接：https://blog.csdn.net/qq_40456702/article/details/115557346

版权

机器学习专栏收录该内容

20 篇文章 0 订阅

订阅专栏

model.fit() fit 函数：

https://blog.csdn.net/a1111h/article/details/82148497

数据标准化关于 fit()，transform(), fit_transform()：

https://blog.csdn.net/Michelle_sky/article/details/79644645?utm_medium=distribute.pc_relevant.none-task-blog-2%7Edefault%7EBlogCommendFromBaidu%7Edefault-7.control&dist_request_id=1330147.8275.16180431929810889&depth_1-utm_source=distribute.pc_relevant.none-task-blog-2%7Edefault%7EBlogCommendFromBaidu%7Edefault-7.control

sklearn.linear_model.LinearRegression() 线性回归：

https://lcqbit11.blog.csdn.net/article/details/70196159

sklearn.svm 支持向量机：

https://blog.csdn.net/qq_41577045/article/details/79859902

https://www.jianshu.com/p/a9f9954355b3?utm_campaign=maleskine&utm_content=note&utm_medium=seo_notes&utm_source=recommendation

https://blog.csdn.net/zcc_0015/article/details/52151654

https://zhuanlan.zhihu.com/p/39780508

RandomForestClassifier 随机森林：

https://blog.csdn.net/w952470866/article/details/78987265/

Feature importances 特征重要性：

https://blog.csdn.net/sunmingyang1987/article/details/103100654

对标签进行 one-hot 编码：

keras.utils.to_categorical方法
https://blog.csdn.net/qian2213762498/article/details/86584335


le = LabelEncoder()  #使用LabelEncoder对特征进行硬编码  from sklearn.preprocessing import LabelEncoder 
le.fit(sdss_df['class'])   # 即将离散型的种类数据转换成 0 到 n−1 之间的数  通过fit函数传入需要编码的数据，在内部生成对应的key-value
encoded_Y = le.transform(sdss_df['class'])  # 用于需要转化的数据，用transform函数
onehot_labels = np_utils.to_categorical(encoded_Y)  # keras.utils.to_categorical 将类别标签转为onehot编码

y_train = onehot_labels[:train_count]
y_validation = onehot_labels[train_count:train_count+val_count]
y_test = onehot_labels[-test_count:]

神经网络搭建 Keras–序贯模型（sequential）：

单输入单输出，一条路通到底，层与层之间只有相邻关系，没有跨层连接。这种模型编译速度快，操作也比较简单
https://blog.csdn.net/rosefun96/article/details/110005568
https://blog.csdn.net/zjw642337320/article/details/81204560

Keras网络层搭建 keras.layers.Dense 方法：

https://blog.csdn.net/weixin_42499236/article/details/84624195

Keras神经网络评价指标

categorical_accuracy和 sparse_categorical_accuracy ：

https://blog.csdn.net/qq_20011607/article/details/89213908

keras 调整学习率 ReduceLROnPlateau() ：

https://blog.csdn.net/weixin_43593330/article/details/107675538

https://www.freesion.com/article/4104548785/


from keras.callbacks import ReduceLROnPlateau

reduce_lr = ReduceLROnPlateau(monitor=‘val_loss’, factor=0.5, patience=2, verbose=1)

monitor：监测的值，可以是accuracy，val_loss,val_accuracy
factor：缩放学习率的值，学习率将以lr = lr*factor的形式被减少
patience：当patience个epoch过去而模型性能不提升时，学习率减少的动作会被触发
mode：‘auto’，‘min’，‘max’之一 默认‘auto’就行
epsilon：阈值，用来确定是否进入检测值的“平原区”
cooldown：学习率减少后，会经过cooldown个epoch才重新进行正常操作
min_lr：学习率最小值，能缩小到的下限
verbose: 详细信息模式，0 或者 1 。
 
Reduce=ReduceLROnPlateau(monitor='val_accuracy',
                         factor=0.1,
                         patience=2,
                         verbose=1,
                         mode='auto',
                         epsilon=0.0001,
                         cooldown=0,
                         min_lr=0)

keras.optimizers.Adam() 优化器：

https://blog.csdn.net/u013249853/article/details/105875694/

https://zhuanlan.zhihu.com/p/86261902?from_voters_page=true

Keras，model.compile() ：

https://blog.csdn.net/sinat_16388393/article/details/93207842


keras model.compile(loss='目标函数 ', optimizer='adam', metrics=['accuracy'])

Pytorch 划分数据集的方法：torch.utils.data：

https://www.cnblogs.com/Bella2017/p/11791216.html

Pytorch 数字矩阵操作：

https://www.jianshu.com/p/d678c5e44a6b

Pytorch GPU/CPU配置：

http://www.zzvips.com/article/62791.html

Pytorch 优化器 torch.optim.SGD：

https://blog.csdn.net/qq_34690929/article/details/79932416 https://www.cnblogs.com/peixu/p/13194328.html

Pytorch model.eval 测试模型：

https://blog.csdn.net/iammelon/article/details/89928531 https://www.cnblogs.com/luckyplj/p/13424561.html

keras Reshape改变矩阵形状：

https://zhuanlan.zhihu.com/p/83993002
https://blog.csdn.net/moshiyaofei/article/details/87888451
使用keras.layers.Reshape实现不同维度任意层之间的对接

from keras.models import Sequential
from keras.layers import Reshape

model = Sequential()
# 改变数据形状为3行4列
# 模型的第1层必须指定输入的维度，注意不需要指定batch的大小
model.add(Reshape((3, 4), input_shape=(12, )))
# 改变数据形状为6行2列
model.add(Reshape((6, 2)))
# 改变数据形状为 第2，3维为(2,2)，根据数据元素数量自动确定第1维大小为3
model.add(Reshape((-1, 2, 2)))
# 改变数据形状为 第1，2维为(2,2)，根据数据元素数量自动确定第3维大小为3
model.add(Reshape((2, 2, -1)))
model.summary()