Auto_TS：Auto_TimeSeries 使用单行代码自动构建多个时间序列模型。 现在已用Dask更新。 Auto_timeseries是用于时间序列数据的复杂模型构建实用程序。 由于它可以自动执行复杂任务中的许多任务，因此它假定了许多智能默认值。 但是您可以更改它们。 Auto_Timeseries将基于Statsmodels ARIMA，Seasonal ARIMA和Scikit-Learn ML快速建立预测模型。 它将自动选择给出最佳分数的最佳模型。 从0.0.35版开始，新版本进行了重大更新：现在，您可以将文件加载到Dask数据框中。 只需提供文件名，如果文件名太大而无法容纳在pandas数据框中，则Auto_TS会自动检测到该文件并将其加载到Dask数据框中。 此外，自0.0.25版以来的新功能是Auto_TimeSerie的语法：现在，它更像scikit-lear

TF-IDF：NLP中的TF_IDF的公式，并与Sklearn中的结果进行比较

通过对数据进行分词、停词过滤、TfidfVectorizer/CountVectorizer处理，利用sklearn中是逻辑回归对THUCNews进行分类，包含数据集

kMeans_PCA 在sklearn乳腺癌数据集上包含k-Means和PCA的原始代码

本文实例讲述了Python使用sklearn实现的各种回归算法。分享给大家供大家参考，具体如下： 使用sklearn做各种回归 基本回归：线性、决策树、SVM、KNN 集成方法：随机森林、Adaboost、GradientBoosting、Bagging、ExtraTrees 1. 数据准备 为了实验用，我自己写了一个二元函数，y=0.5*np.sin(x1)+ 0.5*np.cos(x2)+0.1*x1+3。其中x1的取值范围是0~50，x2的取值范围是-10~10，x1和x2的训练集一共有500个，测试集有100个。其中，在训练集的上加了一个-0.5~0.5的噪声。生成函数的代码如下：

研修课上讲了两个例子，融合一下。 主要演示大致的过程： 导入->拆分->训练->模型报告 以及几个重要问题： ①标签二值化 ②网格搜索法调参 ③k折交叉验证 ④增加噪声特征（之前涉及） from sklearn import datasets #从cross_validation导入会出现warning，说已弃用 from sklearn.model_selection import train-test_split from sklearn.grid_search import GridSearchCV from sklearn.metrics import classificatio

OptiML OptiML是支持向量机和深度神经网络的sklearn兼容实现，根据最新技术，它们都有一些最成功的功能。 这项工作的动机是，有可能通过广泛的优化算法研究对象解决这些模型的数学公式所产生的优化问题，并为“数值方法和优化”课程开发@@在教授的监督下。 内容 数值优化 无约束优化 线搜索方法 零阶方法 次梯度 一阶方法 最陡的梯度下降 共轭梯度 弗莱彻-里夫斯公式 Polak–Ribière公式 Hestenes-Stiefel公式 代formula公式 重球渐变 二阶方法 牛顿 拟牛顿 高炉 随机方法 随机梯度下降 势头 标准 涅斯捷罗夫 亚当 势头 标准 涅斯捷罗夫 毕业证书 势头 标准 涅斯捷罗夫 阿达克斯 势头 标准 涅斯捷罗夫 阿达格拉德 阿达达 RProp RMSProp 具有接口的近端捆绑包，用于 ，

伦敦-scikit Data Science London 正在举办一场关于 Scikit-learn 的聚会。 本次比赛是尝试、分享和创建 sklearn 分类能力示例的练习场（如果这变成了有用的东西，我们可以跟进回归，或更复杂的分类问题）。 请参阅 Kaggle 网站

机器学习数据科学的常用的Python包的常用命令速查表，包含sklean, kereas, tensorflow, pandas, numpy, scipy等

主要介绍了Python基于sklearn库的分类算法,结合简单实例形式分析了Python使用sklearn库封装朴素贝叶斯、K近邻、逻辑回归、SVM向量机等常见机器学习算法的分类调用相关操作技巧,需要的朋友可以参考下