- 博客(6)
- 收藏
- 关注
RSS订阅原创 sklearn学习笔记-----K近邻算法回归
一、KNN模型回归 在此我们已经学习了分类和回归，下面对这两种预测类型做一个理解概括： 1、分类：分类是一个“定性”问题，即区分数据是哪种性质。分类输出的不是一个可以度量的量，像之前的区分性别或者肿瘤是恶性还是良性，他的答案只有0或1（即正确或错误）。 （常见的评估分类器的性能衡量方法：准确率、精确率、召回率、F1、马修斯相关系数(MCC)） 2、回归：回归是一个“定量”问题，即输出的是一个量值，我们可以通过这个量值去衡量输出值与真实值之间的“误差”，例如预测身高164的男性他的体重为52kg，我们
2021-11-27 17:04:59
609
原创 sklearn学习笔记-----模型评估
一、公式符号 T：真 F：假 N：阴 P：阳 （以下以观察肿瘤是恶性还是良性为例说明） TP：真阳性，即正确的预测出恶性肿瘤数量 TN：真阴性，即正确的预测肿瘤是良性的数量（该项无法看出模型正确识别恶性肿瘤的能力） FP：假阳性，错误的预测一个肿瘤为恶性的数量 FN：假阴性，错位的预测一个肿瘤为良性的数量（该项相较于假阳性更为严重） 二、常见的分类性能衡量标准 1、准确率（ACC）：所有预测都正确 2、精确率（P）：预测正确的结果中真阳性的比例 3、召回率（R）...
2021-11-25 19:29:14
826
原创 sklearn学习笔记---继上一篇的函数总结
1、数据处理 （1）原始数据 y_train=['male','male','male','male','famale','famale','famale','famale','famale'] [out]: (2)LableBinarizer()的fit_transform()方法---将数据标签二值化 from sklearn.preprocessing import LabelBinarizer lb=LabelBinarizer() y_train_binarizer = lb.
2021-11-25 18:25:12
307
原创 sklearn学习笔记----K近邻算法分类
一、K近邻模型（简称KNN） KNN模型只基于一个假设：互相接近的实例拥有类似的响应变量值。 1、KNN是一种惰性学习模型，惰性学习模型也称为基于实例的学习模型。（之前的简单线性回归属于勤奋学习模型） 2、KNN是一种非参数模型，它并不意味着模型不需要参数，它意味参数的个数并不固定。 二、KNN的实现 KNN进行预测时要求计算出一个测试实例和所有训练实例之间的距离。 当我们要预测一个值的时候首先要设置K参数，K参数代表了想要找的距离最近的训练实例的个数，然后输出这K个实例中最普遍的属性。 #
2021-11-24 21:03:02
1044
原创 sklearn学习笔记-----简单线性回归
一、学习简单线性回归需要用到的三个库： import numpy as np # 数组运算库 import matplotlib.pyplot as plt # 画图库 from sklearn.linear_model import LinearRegression #sklearn类库 二、简单线性回归模型 （1）LinearRegression：sklearn重的一个估计器（sklearn中所有的估计器都实现了fit和predict方法。 ----寝室聚餐了，今日未完----- ...
2021-11-23 16:42:21
1073
原创 scikit-learn机器学习笔记（11.22）
启言： 机器学习通过使用过去的经验去指导未来的决策，它的基础目标是归纳，或者从一种未知规则的应用例子中归纳出未知规则。 一、机器学习的定义 一个程序：性能体现在“T”，衡量性能用“P”，提升性能通过经验“E” 可视为：针对一些“T”类型，通过“P”来衡量性能的的任务，从经验“E”中进行学习 二、从经验“E”中学习（监督下和无监督下） （1）监督学习：“对于输入数据X能预测变量Y”通过标记的输入和输出进行学习，并预测一个输入或输出，也就是：从“正确答案”的例子中进行学习。它在训练集中找规律,然后对
2021-11-22 19:00:42
997
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人