波士顿房价预测相关代码

密度峰聚类算法 sklearn方式的python实现。 文档 概述 class DensityPeakCluster ( object ): """ Density Peak Cluster. Methods: fit: fit model plot: plot clustering Attributes: n_id: data row count distance: each id distance dc: threshold of density cut off rho: each id density nneigh: each id min upper density nearest neighbor delta: each

GAM ⠀ ⠀ 使用结构化注意的图分类的PyTorch实现（KDD 2018）。 抽象的 图分类是许多不同领域中实际应用中的问题。 为了解决这个问题，通常会计算某些图统计信息（即图特征），以帮助区分不同类别的图。 在计算此类特征时，大多数现有方法都会处理整个图形。 例如，在基于图的方法中，处理整个图以获得不同图或子图的总数。 但是，在许多实际应用中，图可能会嘈杂，仅在图的某些区域内会出现区分模式。 在这项工作中，我们研究了基于注意力的图分类问题。 注意的使用使我们可以专注于图表中较小但内容丰富的部分，从而避免在其余图表中产生干扰。 我们提出了一种新颖的RNN模型，称为图注意力模型（GAM），该模型通过自适应选择一系列“信息”节点来仅处理图的一部分。 在多个现实世界数据集上的实验结果表明，即使我们的方法仅局限于部分图形，该方法在图分类中也可以与各种众所周知的方法竞争。 该存储库提供了G

gensim-sklearn-wrapper gensim 包的 scikit-learn 包装器。 通过 scikit-learn 的 Pipeline 和 GridSearchCV 类轻松使用。 目前，仅实现了潜在狄利克雷分配 (LDA) 和潜在语义索引 (LSI) 算法的 transform() 和 fit() 函数。 测试： Python 2.7.3 scikit-learn 0.15.2 麻木 1.9.1 scipy 0.14.0 gensim 0.10.2 不提供 Pip 包，因为它只是一个文件。 只需下载并导入即可开始使用。 该类的参数与 gensim 类本身中的参数相同，因此请查看 gensim 的 API 以了解参数用法。 from gensim_wrapper import LdaTransformer, LsiTransformer

sklearn 一些实例 加教程

scikit-learn-user-guide-chinese-version.pdf。 sklearn 学习手册，中文版，有算法的调用等，从网络找到的。

机器学习大佬总结的资料，其中包括sklearn 和tensorflow 框架的介绍，和常见算法的介绍，欢迎下载。

20newsgroups-text-classification 对20 newsgroups 数据集 进行文本分类 方法 基于传统机器学习方法的文本分类 基于深度学习的文本分类 测试结果 传统机器学习方法 MultinomialNB准确率为： 0.8960196779964222 SGDClassifier准确率为： 0.9724955277280859 LogisticRegression准确率为： 0.9304561717352415 SVC准确率为： 0.13372093023255813 LinearSVC准确率为： 0.9749552772808586 LinearSVR准确率为： 0.00022361359570661896 MLPClassifier准确率为： 0.9758497316636852 KNeighborsClassifier准确率为： 0.4584078711

主要介绍了Python使用sklearn实现的各种回归算法,结合实例形式分析了Python使用sklearn库实现的决策树回归、线性回归、SVM回归、KNN回归、随机森林回归等各种回归算法,需要的朋友可以参考下

支持向量机 无需sklearn即可从头开始进行教育性SVM实现。 CVXOPT用作方程式求解器。 对于二进制分类器，标签应为[-1，1]。 multi_SVM.py是使用OneVsRest策略的多类SVM。 支持自定义内核，实现了线性和rbf内核。