操场 Playground是一个简化的应用程序，可让您修改浏览器中的机器学习模型。 这个程序的灵感来自于伟大的Tensorflow。 唯一的区别是它解决了经典的机器学习模型 演示版 就 它是如何工作的 ？ :card_index_dividers: 您可以从预定义列表中选择并配置数据集。 您可以设置： 样品数 火车上的噪音和测试数据 :gear: 您选择一个模型，并为其设置超参数。 您可以从以下模型中选择模型：逻辑回归，决策树，随机森林，梯度提升，神经网络，朴素贝叶斯，KNN和SVM :chart_decreasing: 该应用程序会自动显示以下结果： 模型在火车和测试数据上的决策边界 训练和测试数据的性能指标（准确性和F1分数） 模型训练所需的时间 生成的python脚本，用于基于数据集定义和模型超参数来重现模型 对于每种模型，游乐场都提供了指向官方文档的链接以及提示列表。 加分点：该应用程序还提供通过添加多项式特征来执行特征工程的功能。 事实证明，

从arXiv纸张标题生成类别 该项目采用并根据arXiv论文标题构建自动标签分类器。 系统输入：走向广泛学习：医疗保健实验 系统输出： stat.ML ， cs.LG 到上述论文。

CNN图像分类 这个基于CNN的模型将图像分为9类（“飞机”，“汽车”，“鸟”，“猫”，“鹿”，“狗”，“青蛙”，“马”，“船”，“卡车”）使用tensorflow，keras，numpy，scikit-learn，matplotlib

smote的matlab代码kdd-cup-99-python 使用 python、scikit-learn 和 matplotlib 对原始 kdd cup 99 网络入侵检测数据集的 10% 子集进行分析和预处理。 线性可分性测试 使用 Convex-Hull 方法测试各种攻击类型的线性可分性。 正常类和两种最常见的攻击类型海王星和蓝精灵的船体边界之间的交集在前两个主成分的二维图中可视化。 这样就可以证明不同的攻击类别是非线性可分的。 使用 SMOTE 和 Cluster-Centroids 重采样 为了减轻预处理中描述的高级不平衡，将众所周知的重采样技术应用于原始数据集。 欠采样是通过使用 Cluster Centroids 方法实现的。 因此，数据基于聚类方法按相似性分组，总体目标是尽可能避免任何信息丢失。 过采样基于合成少数过采样技术 (SMOTE)。 在此技术中，点是从少数类中随机挑选的，并通过向它们附加 k 最近邻来综合丰富。 许可 版权所有 (c) 2019，Timea Magyar 保留所有权利。 如果满足以下条件，则允许以源代码和二进制形式重新分发和使用，无论是否修

Scikit学习 使用Python进行预测数据分析的机器学习库 Y = X * B1 + B0 系数 B1：坡度 渐变| 陡度线| 线方向| 重量 B0：拦截 偏差| 常数| 回归线与Y轴相交的位置（当X = 0时Y的值） R 2 ：测定系数 模型捕获的数据的方差（0.7到0.9是R 2的好值） 大的R 2表示较好的拟合度（模型可以用更好的方法解释预测值与实际值的差异） R 2 = 1对应于SSR = 0（完美拟合） R 2低会导致拟合不足 高R 2导致过度拟合 残差 实际-预测 线性回归 学习一个线性回归模型来估计系数的值 根据另一个要素的值预测要素的值。 简单线性回归 多元线性回归 多项式线性回归 高级线性回归

sex_classifier_dlib_transfer_learning 使用dlib人脸识别模型作为特征提取器的性别分类器的简单演示 通过使用dlib人脸识别模型，我们可以使用sklearn ML框架进行转移学习以对人脸性别进行分类。 由于缺乏公开的亚洲性别数据集，该过渡数据集全是亚洲人。 但是，我有很多私人照片，因此我不会共享数据集。 如果您自己被trainig迷住了，则可以使用Google照片搜寻器下载图像并标记自己的名字 如果您想使用，我还提供了简单的预训练模型。 这是评估指标 precision recall f1-score su

UCI甲状腺分类-​​Python，Keras，scikit-learn，ANN 该项目是针对UCI-甲状腺疾病数据集上的分类问题而创建的。 它使用ANN进行预测。 预测类为： 1-甲状腺功能亢进 2次普通 3-普通 数据集 UCI资料库中的甲状腺疾病。 框架/库 凯拉斯 scikit学习 入门 这些说明将使您简要了解如何设置环境并在本地计算机上运行以进行开发和测试。 先决条件 python3.5或更高版本 凯拉斯 scikit学习 麻木 大熊猫 设置和运行测试 运行python -V检查安装 安装所有必需的库。 从终端执行以下命令以运行测试： python main.py 注意：

Scikit-learn使用手册中文版

spacv ：Python中的空间交叉验证 spacv是一个小型Python 3（3.6及更高版本）软件包，用于模型的交叉验证，该模型评估对具有空间依赖性的数据集的泛化性能。 spacv提供了一个类似spacv的熟悉的API，公开了一套适用于基于点的空间预测任务的工具。 有关用法，请参阅笔记本spacv_guide.ipynb 。 依存关系 numpy matplotlib pandas geopandas shapely scikit-learn scipy 安装及使用 要安装，请使用pip： $ pip install spacv 然后使用sklearn构建快速的空间交叉验证

python离线安装包，亲测可用