zoukankan
html css js c++ java
Python机器学习中文版
Python机器学习简介
第一章 让计算机从数据中学习
将数据转化为知识
三类机器学习算法
第二章 训练机器学习分类算法
透过人工神经元一窥早期机器学习历史
使用Python实现感知机算法
基于Iris数据集训练感知机模型
自适应线性神经元及收敛问题
Python实现自适应线性神经元
大规模机器学习和随机梯度下降
第三章 使用Scikit-learn进行分类器之旅
如何选择合适的分类器算法
scikit-learn之旅
逻辑斯蒂回归对类别概率建模
使用正则化解决过拟合
支持向量机
使用松弛变量解决非线性可分的情况
使用核SVM解决非线性问题
决策树学习
最大信息增益
构建一棵决策树
随机森林
k近邻——一个懒惰学习算法
总结
第四章 构建一个好的训练集---数据预处理
处理缺失值
消除带有缺失值的特征或样本
改写缺失值
理解sklearn中estimator的API
处理分类数据
将数据集分割为训练集和测试集
统一特征取值范围
选择有意义的特征
利用随机森林评估特征重要性
总结
第五章 通过降维压缩数据
PCA进行无监督降维
聊一聊方差
特征转换
LDA进行监督数据压缩
原始数据映射到新特征空间
使用核PCA进行非线性映射
用Python实现核PCA
映射新的数据点
sklearn中的核PCA
总结
第六章 模型评估和调参
通过管道创建工作流
K折交叉验证评估模型性能
使用学习曲线和验证曲线 调试算法
通过网格搜索调参
通过嵌套交叉验证选择算法
不同的性能评价指标
第七章 集成学习
集成学习
结合不同的分类算法进行投票
第八章 深度学习之PyTorch
查看全文
相关阅读:
JSK42586.Tree(动态开点线段树+树上启发式合并)
CF1188B.Count Pairsl(数学)
2021ICPC亚洲区域赛(昆明)复盘
1009F.Dominant Indices (树上启发式合并)
246E.Bloods Counsin Return(离线+树上启发式合并)
208E.Blood Cousins(离线+倍增LCA+树上启发式合并)
208E.Blood Cousins (离线+树上启发式合并)
570D.Tree Requests (离线+树上启发式合并)
Java从入门到实战之(6)SSM框架使用
Java从入门到实战之(5)Java集合对比汇总
原文地址:https://www.cnblogs.com/aibbtcom/p/8547105.html
最新文章
在mounted 中发生异步和同步共存的问题
VS Code:设置多行注释快捷键
vscode prettier保存代码时自动格式化
从零开始ant-design-vue-pro开发笔记(一)
Ant Design Pro Vue使用心得
element-ui el-menu 刷新保持高亮的写法
面试题:fiddler在工作中有哪些应用【多测师_王sir】
django过滤敏感信息装饰器
python复杂多继承及super配合使用案例
maven
热门文章
*** uWSGI listen queue of socket "127.0.0.1:9001" (fd: 3) full !!! (101/100) 错误分析
AttributeError:module‘win32com.gen_py has no attribute ‘CLSIDToClassMap‘
查看电脑操作时间
AttributeError: 'EmailUse' object has no attribute 'SendMail'
nuitka 将程序编译为单个exe
PyQt5实时刷新
VBA与VB的区别
python 打包模块:nuitka
P5494.【模板】线段树分裂
1080F.Katya and Segments Sets (可持久化线段树+很精妙的思路)
Copyright © 2011-2022 走看看