数据科学
文章平均质量分 97
GISer Liu
一名GIS、遥感、云计算和人工智能领域学习者
展开
-
一文读懂K-Means原理与Python实现
在本文中,你将学习到K-means算法的数学原理,作者会以尼日利亚音乐数据集为案例。带你了解了如何通过可视化的方式发现数据中潜在的特征。最后对训练好的K-means模型进行评估。原创 2022-06-20 18:32:33 · 12459 阅读 · 111 评论 -
基于Python构建机器学习Web应用
🏆🏆在本文中,我们基于之前的亚洲美食数据集构建了SVC模型,并介绍了模型可视化工具Netron与Onnx模型格式的使用。与之前基于Python的pkl格式模型相比,Onnx格式的模型适用性更好,可以在多个平台使用。且OnnxRuntime拥有各种语言的API,💻我们可以在各个环境中部署机器学习模型应用!.........原创 2022-06-03 18:04:27 · 4209 阅读 · 71 评论 -
一文读懂机器学习分类全流程
🏆在本文中,作者将带你了解机器学习分类的全流程,从问题分析>数据预处理>分类器选择>模型构建>精度评价>模型发布为Web应用。从0带读者入门机器学习分类。原创 2022-05-30 20:46:51 · 16976 阅读 · 119 评论 -
不平衡数据-SMOTE综述
在本文中,你将学到SMOTE少数样本合成采样的基本原理与介绍转载 2022-05-30 13:56:05 · 3415 阅读 · 5 评论 -
机器学习系列8 基于Python构建Web应用以使用机器学习模型
👽👽👽在本文中,我将带你使用Python的Flask框架与Pickle模块构建了Web应用程序,在UFO目击数据集上构建了逻辑回归多分类模型,并将其集成在Web程序中。🏆🏆🏆原创 2022-05-08 18:50:34 · 6851 阅读 · 35 评论 -
机器学习系列7 基于Python的Scikit-learn库构建逻辑回归模型
🎄🎄本文中,你将学到逻辑回归的数学原理,使用Seaborn库可视化数据寻找数据间的相关性,并基于Scikit-learn库构建逻辑回归模型预测南瓜颜色。原创 2022-05-02 01:21:14 · 4134 阅读 · 12 评论 -
机器学习系列6 使用Scikit-learn构建回归模型:简单线性回归、多项式回归与多元线性回归
在本文中,我们以美国南瓜数据为例,讲解了三种线性回归的原理与使用方法,探寻数据之间的相关性,并构建了6种线性回归模型。将准确率从一开始的0.04提升到0.96.原创 2022-04-26 19:05:05 · 9552 阅读 · 30 评论 -
机器学习系列5 利用Scikit-learn构建回归模型:准备和可视化数据(保姆级教程)
在本文中,我们以美国南瓜数据为例,观察并整理了需要的数据,挑选及提取了特征变量:如月份,平均价格。并对其进行了数据可视化,我们发现,9月和10月份是南瓜的平均价格最高。原创 2022-04-19 18:48:30 · 5330 阅读 · 25 评论 -
机器学习系列4 使用Python创建Scikit-Learn回归模型
机器学习系列4 使用Python和Scikit-Learn回归模型 在本文中,我们将学习机器学习本地环境的配置过程,利用Scikit-learn库走完机器学习模型的基本流程,最终创建一个线性回归模型。原创 2022-04-17 22:53:47 · 4804 阅读 · 14 评论 -
机器学习系列3 机器学习的流程
在本文中,你将学习到:1机器学习的流程。2 理解基本术语概念,如“模型”,“训练”,“预测”,“过拟合”等。原创 2022-04-16 22:37:25 · 5729 阅读 · 6 评论 -
机器学习系列2 机器学习的公平性
想象一下,当你用于构建这些机器模型的数据缺少某些人口统计数据(例如种族、性别、政治观点、宗教)或比例不均(以偏概全)地代表此类人口统计数据时,会发生什么呢?。当模型的输出被解释为有利于某些人口统计数据时,情况会怎样?应用程序的后果是什么?请驻足思考一下,这将帮助你理解机器学习训练数据的处理。原创 2022-04-15 20:09:19 · 7127 阅读 · 14 评论 -
机器学习系列1 机器学习历史
人工智能(AI)作为计算机领域与机器学习的历史交叉点,随着支撑机器学习的算法和算力的增长,AI的发展也得到进步。值得关注的是,虽然这些研究从1950年代已经开始出现,但重要的算法:统计,数学,计算等相关技术理论的发现远早于这个时代。事实上,人们已经思考这些问题数百年 。本文将讨论“思考机器”概念的历史知识基础。原创 2022-04-14 21:02:39 · 2409 阅读 · 5 评论 -
机器学习系列0 机器学习思想
一、本课程入门必要条件:0 配置您的计算机。在系统中安装 Python 并设置用于开发的文本编辑器如jupyter notebook 或者pycharm等开发环境。1 学习 Python。建议对Python有个基本了解,Python是一种对我们在本课程中使用的数据科学家有用的编程语言。2 学习 Node.js 和 JavaScript。在本课程中,在构建Web应用程序时,我们还使用JavaScript几次,因此您需要安装node和npm,以及可用于Python和JavaScript开发的Vis原创 2022-04-12 15:49:00 · 634 阅读 · 6 评论