Sklearn
我是管小亮
纸上得来终觉浅,绝知此事要躬行
包括但不局限于机器学习,深度学习,自然语言处理,计算机视觉,知识图谱,还有Python,C++,TensorFlow,Pytorch,Keras,PaddlePaddle等,不定时分享资源(电子书/项目/工具),学习路线,思考,面经等!!!
展开
-
sklearn.neighbors.KNeighborsClassifier()函数解析(最清晰的解释)
sklearn.neighbors.KNeighborsClassifier()函数用于实现k近邻投票算法的分类器。class sklearn.neighbors.KNeighborsClassifier(n_neighbors=5, weights=’uniform’, algorithm=’auto’, leaf_size=30, p=2, m...原创 2019-08-20 09:34:35 · 45735 阅读 · 5 评论 -
sklearn.svm.SVC()函数解析(最清晰的解释)
sklearn.svm.SVC()函数全称为C-支持向量分类器。class sklearn.svm.SVC(C=1.0, kernel=’rbf’, degree=3, gamma=’auto_deprecated’, coef0=0.0, shrinking=True, probability=False, tol=0.001, cache_size=200, clas...原创 2019-08-15 19:17:13 · 58713 阅读 · 4 评论 -
sklearn.tree.DecisionTreeClassifier()函数解析(最清晰的解释)
sklearn.tree.DecisionTreeClassifier()函数用于创建一个决策树分类器。class sklearn.tree.DecisionTreeClassifier(criterion='gini', splitter='best', max_depth=None, min_samples_split=2, min_samples_leaf=1, mi...原创 2019-08-15 21:40:42 · 23760 阅读 · 2 评论 -
sklearn.naive_bayes.MultinomialNB()函数解析(最清晰的解释)
sklearn.naive_bayes.MultinomialNB()函数全称是先验为多项式分布的朴素贝叶斯。除了MultinomialNB之外,还有GaussianNB就是先验为高斯分布的朴素贝叶斯,BernoulliNB就是先验为伯努利分布的朴素贝叶斯。class sklearn.naive_bayes.MultinomialNB(alpha=1.0, fit_pri...原创 2019-08-28 19:42:25 · 29354 阅读 · 0 评论 -
sklearn.linear_model.LogisticRegression()函数解析(最清晰的解释)
sklearn.linear_model.LogisticRegression()函数全称是Logistic回归(aka logit,MaxEnt)分类器。class sklearn.linear_model.LogisticRegression(penalty='l2', dual=False, tol=0.0001, C=1.0, fit_intercept=True, ...原创 2019-09-01 10:32:37 · 20494 阅读 · 3 评论 -
sklearn.ensemble.AdaBoostClassifier()函数解析(最清晰的解释)
sklearn.ensemble.AdaBoostClassifier()函数全称AdaBoost分类器。class sklearn.ensemble.AdaBoostClassifier(base_estimator=None, n_estimators=50, learning_rate=1.0, algorithm=’SAMME.R’, rand...原创 2019-09-02 14:51:45 · 19633 阅读 · 0 评论 -
sklearn.linear_model.Ridge()函数解析(最清晰的解释)
sklearn.linear_model.Ridge()函数是具有l2正则化的线性最小二乘法。class sklearn.linear_model.Ridge(alpha=1.0, fit_intercept=True, normalize=False, copy_X=True, max_iter=None, tol=0.001, solver=’auto’, ...原创 2019-09-06 14:32:59 · 13724 阅读 · 3 评论