Scikit学习教程 一组用于scikit学习自学习的示例。 工作正在进行中... 本教程正在创建中。 还没结束 如何衡量模型性能 标准指标精度，召回率，F1指标- 该示例显示了如何计算基本分类器度量值，例如精度，召回率，f1 文件： 精确召回曲线 示例说明了如何在理想的随机情况下解释精确调用曲线。 如果两个模型的曲线看起来相似该怎么办。 文件： 开发环境 python> 3.6 吹牛 sklearn> 0.21.3

torch-1.0.1-cp37-cp37m-win_amd64.whl tensorflow-1.15.3-cp37-cp37m-win_amd64.whl --cpu版本 scipy-1.5.2-cp37-cp37m-win_amd64.whl scikit_learn-0.23.1-cp37-cp37m-win_amd64.whl python-3.7.6-amd64.exe pyHook-1.5.1-cp37-cp37m-win_amd64.whl numpy-1.19.0+mkl-cp37-cp37m-win_amd64.whl matplotlib-2.2.5-cp37-cp37m-win_amd64.whl Keras-2.3.1-py2.py3-none-any.whl pywin32-221.win-amd64-py3.7.exe

不错的scikit-learn（中文文档） 不错的scikit-learn（中文文档）

【高清】这个版本只包含第一部分的前九章的内容，相比于第一版，增加了无监督学习等内容。

人体活动识别 数据集链接： 使用的库： Keras，Scikit-Learn，Numpy，Matplotlib和Pandas 档案结构： 有8个主要文件：4个用于数据管理，4个用于机器学习代码，1个用于绘制结果。 数据管理文件： 1，由于数据集非常大（〜1.4 GB），因此将其划分为13个文件，并使用脚本``compress_file.py''和``compress2.0.py''对这13个文件中存储的数据集进行下采样以获得13个文件压缩文件。 2.脚本“ merge.py”和“ merge2.0.py”用于合并压缩文件，以获取用于训练的数据集。 2.0脚本用于合并加速度计和陀螺仪数据

股票价格预测器：建立LSTM递归神经网络来预测股票市场价格

Scikit-learn使用总结

midi-classification-tutorial：有关如何对Midi文件的流派进行分类的教程

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

超参数优化