Hands on Machine Learning with Scikit Learn and TensorFlow 英文原版 彩色配图

数字识别器-Kaggle 使用 Scikit-Learn 进行数字识别器 Kaggle 比赛。 文件 train.csv 和 test.csv 必须在工作目录中。 SVM_poly_deg2： 使用 SVM 进行数字识别（poly，degree = 2） Kaggle 准确率：0.97871 对于完整的数据集： 读取（预处理）时间 ~ 25.5 s 训练运行时间 ~ 146.5 s 预测运行时间 ~ 161.5 s （处理器：1.7 GHz Intel Core i7，内存：8 GB） SVM_rbf: 使用 SVM (rbf) 预处理数据的数字识别 Kaggle 准确率：0.96457 对于完整的数据集： 读取和缩放数据运行时间 ~ 25.0 s 训练运行时间 ~ 398.5 s 预测运行时间 ~ 346.8 s （处理器：1.7 GHz Intel Core

SVM图像分类：使用`sklearn.svm`进行图像分类

Python中的随机森林 归纳法 我开始这个项目是为了更好地了解和工作方式。 此时，分类器仅基于基尼系数，而回归模型基于均方误差。 分类器和回归模型都可以与和 例子 使用Scikit学习的基本分类示例： from randomforests import RandomForestClassifier import pandas as pd from sklearn.model_selection import train_test_split from sklearn.model_selection import GridSearchCV from sklearn.pipeline impo

1. 数据加载 假如进行房价的预测，这里加载的数据共1000条，共十个维度（十个特征），除了id以外，其余的都是自变量（9个可用） import pandas as pd import numpy as np import os import matplotlib.pyplot as plt os.chdir(r"C:\Users\86177\Desktop") df = pd.read_csv('sample_data_sets.csv') print(df.columns) print(df.shape) –> 输出的结果为： Index(['id', 'complete_year',

scikit-fuzzy scikit-fuzzy是SciPy的模糊逻辑工具箱。 scikit-fuzzy的目标是： 为社区提供独立开发和实施的模糊逻辑算法的强大工具包 提高科学Python作为封闭源选项的有效替代方法的吸引力。 请引用 如果您发现scikit-fuzzy有用。 正在准备描述此软件包的正式文件。 来源 文献资料 该库的文档可以在这里找到： : 在线讨论和邮件列表 请参加我们在Gitter.im上的公共聊天室中的讨论。 或在Google网上论坛邮件列表中查看/发布 安装 Scikit-Fuzzy取决于 NumPy> = 1.6 SciPy> = 0.9 NetworkX> = 1.9 并且可以在PyPi上使用！ 只需通过运行即可始终获得并安装最新的稳定版本 $ pip install -U scikit-fuzzy 这也可以将现有安装升级到最新版本。

使用机器学习预测天气 使用多项式Lo​​gistic回归，决策树，朴素贝叶斯多项式和支持向量机进行天气预报 资料集 我们的数据集如下所示，是我们从收集的 我们拥有过去30年[1988-2017]的天气数据。训练和测试集分为两个部分，其中两个类别的数据分别占70％和30％。 参数： 天 月 年 湿度（％） 最高温度（单位⁰C） 最低温度（inC） 雨量（毫米） 海平面压力（以MB为单位） 阳光（小时） 风速（结） 云（在okta中） 训练和测试模型的准确性： 模型 训练准确率（％） 测试精度（％） 逻辑回归 74.2 76.9 决策树 76.8 74.05 多项式N

Unofficial Windows Binaries for Python Extension Packages，Scikit-learn integrates classic machine learning algorithms. 下载原地址：https://www.lfd.uci.edu/~gohlke/pythonlibs/#scikit-image

发现之前已为我们提供了很棒的ISLR python版本 带有Python的ISLR R（ISLR）中的统计学习简介으Python으로 슬라이드나가자료 1장-简介 인공지능，머신러닝，데이터사이언스，예측분석을... 2장-统计学习 监督学习소개 3장-线性回归 statsmodel패키지사용하여 scikit-learn의OLS估计器사용하여 4장-分类 Logistic回归：scikit-learn estimator统计模型라이브러리사용하여， KNN回归分类：scikit-learn estimator사용하여， 回归指标（评估指标）：MAE，MSE，RMSE 分类器평가

遗传线性回归：通过遗传算法进行线性回归拟合的近似