- 博客(8)
- 收藏
- 关注
RSS订阅翻译 绘制岭系数作为正则化的函数
显示估计器系数中共线性的影响岭回归是本例中使用的估计器。每种颜色代表系数向量的不同特征，这显示为正则化参数的函数。正则化：就是让各个向量变得线性无关，也就是让各个属性间关联减弱，从而让矩阵满秩，不会变得奇异化。此示例还展示了将 Ridge 回归应用于高度病态矩阵的有用性。对于此类矩阵，目标变量的微小变化都会导致计算出的权重出现巨大差异。在这种情况下，设置某个正则化 (alpha) 以减少这种变化（噪声）很有用。当 alpha 非常大时，正则化效应在平方损失函数中占主导地位，系数趋于零。在路径的末端，
2021-07-24 19:48:02
208
翻译 什么是 NumPy？
什么是 NumPy？NumPy 是 Python 科学计算的基础包。它是一个 Python 库(library)，提供了一个多维数组对象、各种派生对象（例如掩码数组和矩阵），以及用于对数组进行快速操作的各种例程，包括数学、逻辑、形状操作、排序、选择、I/O 、离散傅立叶变换、基本线性代数、基本统计运算、随机模拟等等。NumPy 包的核心是 ndarray 对象。这封装了同构数据类型的 n 维数组，许多操作在编译代码中执行以提高性能。 NumPy 数组和标准 Python 序列之间有几个重要的区别：
2021-07-11 19:30:46
2647
翻译 1.1线性模型
目录1.1线性模型1.1.1.普通最小二乘1.1.1.1.非负最小二乘法1.1.1.2.普通最小二乘复杂度1.1.2.岭回归和分类1.1.2.1.回归1.1.2.2. 分类1.1线性模型以下是一组用于回归的方法，其中目标值预计是特征的线性组合。在数学符号中，如果是预测值。在整个模块中，我们将向量指定为 coef_ 和intercept_。要使用广义线性模型执行分类，请参阅逻辑回归。1.1.1.普通最小二乘LinearRegression 使用系数拟合线性模型，以最小化数据集中观察到的目标与线性
2021-07-08 20:32:58
312
翻译 sklearn非负最小二乘法
在这个例子中，我们拟合了一个对回归系数具有正约束的线性模型，并将估计系数与经典线性回归进行比较。import numpy as npimport matplotlib as pltfrom sklearn.metrics import r2_score# 产生随机数,种子一定，产生的随机数不再真的“随机”np.random.seed(42)# 随机产生200*50的矩阵n_samples, n_features = 200, 50X = np.random.randn(n_samples,
2021-07-02 20:48:16
3395
翻译 sklearn线性回归例子（糖尿病数据集的某个特征为例）
下面的示例仅使用糖尿病数据集的第一个特征，以说明二维图中的数据点。在图中可以看到直线，显示了线性回归如何尝试绘制一条直线，以最好地最小化数据集中观察到的响应与线性近似预测的响应之间的残差平方和。还计算了系数、残差平方和和确定系数。输出：Coefficients:[938.23786125]Mean squared error: 2548.07Coefficient of determination: 0.47import matplotlib.pyplot as pltimport nu
2021-07-01 21:14:28
2945
翻译 使用 scikit-learn 介绍机器学习
小节内容在这一节中，我们将介绍我们在整个 scikit-learn 中使用的机器学习词汇，并给出一个简单的学习示例。机器学习：问题设置通常，学习问题考虑一组 n 个数据样本，然后尝试预测未知数据的属性。如果每个样本不止一个数字，例如一个多维条目entry（又名多元数据aka multivariate data），则称其具有多个属性attributes或特征features。学习问题分为以下几类：监督学习，其中数据带有我们想要预测的附加属性。这个问题可以是：分类classificatio.
2021-06-30 21:07:24
272
翻译 sklearn_0.开始
#0.1拟合与预测：估计器基础# ensemble中导入随机森林from sklearn.ensemble import RandomForestClassifierclf = RandomForestClassifier(random_state=0)X = [[ 1, 2, 3], # 2 样本, 3 features [11, 12, 13]]y = [0, 1] # classes of each sampleclf.fit(X, y)RandomForestC
2021-06-28 20:16:45
196
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