Публикации по теме 'sklearn'
Практика использования машинного обучения для разработчика
О машинном обучении (ML) есть много разговоров и материалов. Но многие разработчики не используют его из-за отсутствия конкретных примеров того, как они могут использовать его в своих целях. ML - это «глубокий океан» мощных технологий, алгоритмов и инструментов; но как не потеряться в этом и понять практические аспекты этого для вашего проекта - этой статьей я постараюсь помочь разработчику познакомиться с ним на том или ином способе использования ML.
Сегодня я хочу поделиться своим..
Введение в Pandas и Numpy: основные учебные пособия, часть 6
Панды
Pandas - один из пакетов Python, ориентированных на данные, который значительно упрощает импорт и анализ данных. Pandas построен на Numpy и matplot, что делает манипулирование данными и визуализацию более удобными.
Импорт панд
Перед импортом на вашу платформу нам необходимо сначала установить его. Руководство по установке pandas можно найти здесь: › https://pandas.pydata.org/pandas-docs/stable/install.html .
import pandas as pd
Загрузка данных
from .csv..
Подход к оптимизации для оценки линейной регрессии
В рамках науки о данных мы фокусируемся на алгоритмах оценки для задач классификации и регрессии. Конечно, решение также будет включать алгоритмы обучения без учителя. Однако оптимизация обычно не входит в учебную программу типичного расписания обучения науке о данных. Это может быть связано с тем, что решения, использующие оптимизацию, встречаются редко.
Цель этой статьи — показать оптимизацию на более высоком уровне, сравнив ее со знакомым подходом к решению линейной регрессии...
Визуализация кода перекрестной проверки: вид развлечения
Давайте визуализируем , чтобы улучшить прогноз…
Допустим, вы пишете красивый и чистый код машинного обучения (например, линейную регрессию). У вас все в порядке, сначала вы разделили свой набор данных на две части «обучающий набор и тестовый набор», как обычно, с помощью функции типа train_test_split и с некоторым случайным фактором. Ваш прогноз может быть немного ниже или выше, чем на рисунках ниже.
и результаты не меняются. Так что мы можем сделать?
Как следует из..
Классификация SVM с помощью sklearn.svm.SVC: как построить границу принятия решения с полями в 2D-пространстве
Итак, если вы устали копать кучу бесполезных ссылок, желая найти подробное объяснение того, как построить границу решения и линии маржи с помощью алгоритма Support Vector Machine, мои поздравления - вы, наконец, нашли его! И последний шаг - прочтите мое простое руководство по этой теме. Давайте начнем!
На основе: https://scikit-learn.org/stable/auto_examples/svm/plot_svm_margin.html
Пожалуйста, не проходите мимо указанной выше ссылки. Возможно, это поможет вам лучше..
Прогноз стоимости багажных сумок с использованием градиентного спуска
import math
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
sns.set(rc={'figure.figsize':(11.7,8.27)})
from sklearn import preprocessing
from sklearn.preprocessing import normalize
from sklearn.metrics import mean_absolute_error, mean_squared_error, r2_score
from sklearn.model_selection import train_test_split
from sklearn.linear_model import SGDRegressor
from sklearn import linear_model
# Reading CSV Input file and storing as pandas dataframe..
Логистическая регрессия — Объяснение
Введение
В этом посте мы рассмотрим и поймем один из основных методов классификации в машинном обучении — логистическую регрессию .
Первоначально опубликовано на https://machinelearningmind.com 25 ноября 2019 г.
Бинарная логистическая регрессия . У нее есть только два возможных результата. Пример - да или нет Полиномиальная логистическая регрессия : имеет три или более номинальных категорий. Пример- кошка, собака, слон. Порядковая логистическая регрессия . Имеет три..