本压缩包中包含了scikit-learn库使用教程的中英文两版。

基于SciPy的众多分支版本中，最有名，也是专门面向机器学习的就是Scikit-learn。

scikit_image-0.16.2-cp37-cp37m-win_amd64.whl，因为外网效率不高，特为大家提供下载资源，欢迎大家下载

使用机器学习和Python进行贷款预测：使用xgboost和表决汇总技术设计预测模型，并使用pandas，seaborn和matplotlib从数据中提取见解

CSE6242数据和视觉分析（2019年Spring） 第74小组-道路交通事故预测Web应用程序 项目说明 在此项目中，我们着手提供一种预测RTA风险的工具，以解决英国伦敦的道路交通事故（RTA）问题，从而使用户可以做出有关其行驶路线的明智决定。 我们还对过去的数据和图像进行了详细分析，以更好地了解RTA。 我们的Web界面包含两个部分，即探索和交互。 在探索部分，我们介绍了我们的研究方法，所使用的算法，数据的分析和可视化。 在交互部分中，用户可以利用交互式仪表板来预测他们选择的路线中RTA的可能性。 该应用程序使用机器学习模型进行预测。 用户将必须输入日期和时间，出发地和旅行目的地。 然后，该应用程序将调用进行路线规划和天气API，进行天气预报。 这些数据随后将被输入到模型中，并且在用户路线中出现RTA的可能性将在地图上显示为危险图标。 该Web应用程序是使用Python Fla

从症状预测疾病 该项目探索使用机器学习算法来根据症状预测疾病。 探索的算法 在代码中探索了以下算法： 朴素贝叶斯 决策树 随机森林 梯度提升 数据集 源1 与main.py脚本一起使用的此问题的数据集是从此处下载的： https://www.kaggle.com/kaushil268/disease-prediction-using-machine-learning 该数据集共有133列，其中132例是患者经历的症状，以及该患者预后的最后一列。 源2 从此处下载用于Jupyter笔记本的此问题的数据集： https://impact.dbmi.columbia.edu/~friedma/Projects/DiseaseSymptomKB/index.html 该数据集包含3列： Disease | Count of Disease Occurrence | Symptom 您可以将整个表格从此处复制粘贴到excel工作表中，也可以使用Beautifulsoup将其刮下。 目录结构 |_ dataset/ |_ training_data.csv

ubunut 系统scikit-learn框架安装指导 出现的错误解决方案

有趣的卡格勒 我参加和即将参加的Kaggle比赛的所有参赛作品。 我可能会用Python（利用scikit-learn或类似的库）编写所有内容，但是如果可以的话，偶尔我也可能会使用R或Haskell。 因为我认为这是我的游乐场，所以在此存储库中编写的代码可能非常草率。 如果您有兴趣，请随时做出贡献。 avazu-ctr预测 Avazu的CTR预测比赛- 我的解决方案利用GradientBoostingClassifier和一些预处理/工程流程功能。 就对数损失而言，它的得分为0.4045696 ，而第一名的得分为0.3818529 （截至2014年2月2日）。 数字识别器 数字识别

在scikit-learn中的单元超球面上聚类 演算法 此软件包实现了scikit-learn的Banerjee等人在JMLR 2005 概述的三种算法。 球形K均值（spkmeans） 球形K均值与常规K均值的不同之处在于，它在每个最大化步骤结束时（即归一化质心）将估计的聚类质心投影到单位球体上。 冯·米塞斯·费舍尔分布（movMF）的混合 就像通过均值和方差来参数化高斯分布一样，具有均值方向$\mu$和浓度参数$\kappa$ 。 从vMF分布得出的每个点$x_i$和平均方向$\|\mu\|_2 = 1$生活在单位超球面$\S^{N-1}$ （即$\|x_i\|_2 = 1$ ）的表面上$\|\mu\|_2 = 1$ 。 较大的$\kappa$会导致点集中度更高。 如果我们的数据作为一种模式米塞斯费舍尔分布的，我们有一个额外的重量参数$\alpha$在混合物中各分布。 movMF算法通过期望最大化（EM）估计混合参数，使我们能够相应地对数据进行聚类。 软运动MF 估计每个类别的每个示例的实值后验。 从某种意义上说，这使我们可以进行软聚类，因为每个数据点都有聚类的可能性。

scipy-1.4.1-cp38-cp38-win_amd64.whl matplotlib-3.2.0rc1-cp38-cp38-win_amd64.whl scikit_learn-0.22.2.post1-cp38-cp38-win_amd64.whl