机器学习系列4 使用Python和Scikit-Learn回归模型.ipynb

XGBRegressor：使用Python 2.7，scikit-learn和XGBoost进行回归问题的简单实现

面部吸引力预测 这是使用地标特征和gabor过滤器预测面部吸引力的存储库。 从以下获得的功能： 面部距离 面部比例 伽柏滤波器 如何运行： 首先必须通过运行generate_features.py生成所有功能 然后，您可以通过运行train.py来训练自己的模型 您可以通过运行demo.py对单个图像进行测试（在开头给出路径） 所需的库：Dlib，OpenCV，numpy，scipy，sklearn，imutils 验证结果： 演示： 请参阅下载整个数据集。

编译好的scikit，安装的时候下载速度比较慢，可以直接安装。

推特航空公司 来自美国主要航空公司客户的推特的情绪分析。 可以在以下博客文章中找到该项目的描述：

sentiment_analysis：亚马逊手机评论的情感分析

学习时的笔记及相关代码，笔记可见：https://blog.csdn.net/Morganfs/article/details/123926929?spm=1001.2014.3001.5501 学习来源：Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 2nd Edition, by Aurélien Géron (O’Reilly). Copyright 2019 Aurélien Géron, 978-1-492-03264-9.

describeX：面向数据科学家的可解释AI框架 ExplainX是面向数据科学家和业务用户的模型可解释性/可解释性框架。 使用explainX可以了解整体模型的行为，解释模型预测背后的“原因”，消除偏见并为您的业务涉众创建令人信服的解释。 为什么我们需要模型可解释性和可解释性？ 必不可少的 解释模型预测 调试模型 检测数据偏差 获得业务用户的信任 成功部署AI解决方案 我们可以用explainX回答什么问题？ 为什么我的模型出错？ 我的模特有偏见吗？ 如果是，在哪里？ 我如何理解和信任模型的决策？ 我的模型满足法律和法规要求吗？ 我们已在服务器上部署了该应用程序，因此您可以使用

scikit-hts：使用熟悉的API进行分层时间序列预测

新闻分类 根据新闻标题将新闻分类。 尝试了各种分类器-决策树，支持向量分类器，多项朴素贝叶斯分类器，多层感知器，随机森林。 多项式朴素贝叶斯分类器效果最好。 即使我们人类根据关键字进行分类，多项式朴素贝叶斯算法也能发挥最佳效果，这是合乎逻辑的。 我们很可能会预测“政治”，因为我们会看到诸如奥巴马，大选，共和国之类的关键词；如果我们看到诸如毒品，监狱之类的关键词，我们可能会预测“犯罪”。 朴素贝叶斯扫描整个数据集，并找到标题中每个单词与某个类别相关联的概率，然后找到整个标题的概率，因此效果很好。 安装 pip install numpy pip install scikit-learn pip