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
2021-11-04 01:44:28
3KB
1
AI学习投资-周六AI Euskadi。
机器学习项目的应用使新手的投资更容易理解。
1.投资比例的网站报废。
我们已经废弃了与来自纽约证券交易所市场的公司相关的beautifoulSoup投资数据。
2.创建数据集。
我们在过去10年中随机模拟了500.000个投资，投资期限在1天到2年之间。 通过应用分类或归一化技术等方法，已清理数据集并准备进行机器学习建模。 如果要使用结果数据集，则将其保存到“ datasets / transactions_variables.csv”中。
3.数据建模和优化。
在用pycaret筛选出哪种分类模型更适合我们的问题之后，我们选择了“决策树”，因为它更易于解释。 请记住，我们的目标不是进行更好的投资，而是使投资可用于更广泛的人群。 借助Graphviz，优化了决策树并可视化了结果。
4.数据部署并在REST API服务器上进行测试。
该项目的
2021-11-02 19:24:24
43.07MB
1
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
2021-11-02 16:34:17
23KB
1
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',
2021-11-01 13:59:52
149KB
1
使用机器学习预测天气
使用多项式Logistic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
2021-10-26 17:35:08
233KB
1
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
2021-10-25 09:19:43
4.14MB
1