Sklearn
yueguizhilin
这个作者很懒,什么都没留下…
展开
-
项目过程中遇到的问题
1、VAE由于loss函数是自己定义的,在load_model别人训练好的模型的时候vae = load_model('E:\AItask......'.format(ftype, alertclass, model_filepath), custom_objects={'vae_loss': vae_loss})报错‘tuple index out of range’,后续又改为报错‘...原创 2019-12-31 12:51:56 · 343 阅读 · 0 评论 -
【转载】Pyinstaller打包出现UnicodeDecodeError: 'utf-8' codec can't decode byte 0xce in position 解决方案
版权声明: https://blog.csdn.net/qq_35203425/article/details/80992870解决方案在你打包的命令行中先输入chcp 65001然后再输入打包命令。pyinstaller -F xxx.py此文章为转载,转自版权声明后的网址...转载 2019-12-24 16:32:31 · 344 阅读 · 0 评论 -
机器学习练习(一)——简单的Iris分类练习
Sklearn 本身就有很多数据库,可以用来练习。 以 Iris 的数据为例,这种花有四个属性,花瓣的长宽,茎的长宽,根据这些属性把花分为三类。我们要用 分类器 去把四种类型的花分开。import numpy as np #导入模块from sklearn import datasets #用数据库去学习,或者把数据库放到tenserflow模块练习from sklea原创 2017-08-30 10:40:14 · 5515 阅读 · 1 评论 -
机器学习练习(五)——高斯异常点检测
#coding:utf-8import numpy as npfrom sklearn.covariance import EllipticEnvelopefrom sklearn.svm import OneClassSVMimport matplotlib.pyplot as pltimport matplotlib.font_managerfrom sklearn.dataset原创 2017-08-30 09:45:40 · 2313 阅读 · 0 评论 -
机器学习练习(四)——异常检测
我们的任务是使用高斯模型来检测数据集中一个未标记(unlabeled)的样本是否应被视为异常。 我们从一个简单的 2 维数据集开始,因此我们可以很容易地可视化这算法的工作原理。 让我们 导入数据并画出散点图。#!/usr/bin/env python# -*- coding:utf-8 -*-# 使用高斯模型来检测数据集中一个未标记(unlabeled)的样本是否应被视为异常原创 2017-08-30 10:02:06 · 708 阅读 · 0 评论 -
机器学习练习(三)——交叉验证Cross-validation
一、选择正确的Model基础验证法from sklearn.datasets import load_iris # iris数据集from sklearn.model_selection import train_test_split # 分割数据模块from sklearn.neighbors import KNeighborsClassifier # K最近邻(kNN,k-Ne原创 2017-08-30 11:04:13 · 36078 阅读 · 7 评论 -
机器学习练习(二)——标准化Normalization
由于资料的偏差与跨度会影响机器学习的成效,因此正规化(标准化)数据可以提升机器学习的成效。一、数据标准化from sklearn import preprocessing #标准化数据模块import numpy as np#建立Arraya = np.array([[10, 2.7, 3.6], [-100, 5, -2],原创 2017-08-30 10:54:44 · 644 阅读 · 0 评论