电力需求预测：机器学习模型预测Sunyani和Nationwide的未来电力需求

Mastering Machine Learning with scikit-learn(中文版).pdf

jarvis：JARVIS-Tools：用于数据驱动的原子材料设计的开源软件包

sklearn-matlab：使用scikit-learn语法在Matlab中进行机器学习

线性回归预测波士顿房屋价格（使用 scikit-learn 和 XGBoost 两种方式），并进行了对比分析。 # 使用 scikit-learn 和 XGBoost 两种线性回归方式实现波士顿房屋价格预测 # 波士顿房屋价格 包含506个样本、13个特征指标 # XGBoost是一套提升树可扩展的机器学习系统，也可以实现线性回归 # 使用XGBoost时，需将数据转化为DMatrix格式，否则会出现错误 # 使用评估指标判断 scikit-learn 和 XGBoost 两种线性回归方式实现波士顿房屋价格预测方式的优劣

逻辑回归预测良性和恶性乳腺肿瘤实现二分类（使用 scikit-learn 和 XGBoost 两种方式）,可扩展应用到小样本数据的故障诊断领域二分类问题 # 使用逻辑回归预测乳腺肿瘤是良性的还是恶性的 # 数据集为乳腺癌数据集，通过细胞核的相关特征来预测乳腺肿瘤为良性/恶性，这是一个非常著名的二分类数据集 # 数据集包含569个样本，其中有212个恶性肿瘤样本，357个良性肿瘤样本 # 共有32个字段，字段1为ID，字段2为label，其他30个字段为细胞核的相关特征 # scikit-learn实现逻辑回归 # XGBoost 实现逻辑回归 # XGBoost在预测结果上和scikit-learn有些差别，XGBoost的预测结果是概率，而scikit-learn的预测结果是0或1的分类，需要用户自己对其进行转化，程序能够实现scikit-learn 和XGBoost的概率输出和0或1分类输出 # 使用评估指标对分类和预测结果进行评估， 实现scikit-learn 和 XGBoost 两种逻辑回归方式对比分析

scikit的Flask API学习 一个简单的Flask应用程序，可以根据scikit-learn模型进行预测。 启动Flask应用程序后，将一个腌制的sklearn模型读入内存，并通过/ predict端点返回预测。 您还可以使用/ train端点来训练/重新训练模型。 任何sklearn模型都可以用于预测。 在阅读更多内容。 依存关系 scikit学习 烧瓶 大熊猫 麻木 pip install -r requirements.txt 正在运行的API python main.py 终点 /预测（POST） 给定一个表示独立变量的JSON对象，返回预测数组。 这是一个

用于sklearn和TensorFlow的学习，暂时没有中文版，内容详细，代码可用

《scikit-learn机器学习：常用算法原理及编程实战》_黄永昌

多得分手 允许在scikit的cross_val_score使用多个度量功能的cross_val_score 。 正如已经讨论过的那样，Python的SciKit包含了用于计算估计量评估指标的强大功能（使用cross_val_score ），但在为同一分类器计算多个指标而不进行再次训练时，它似乎失败了。 由于仅接受单个度量标准名称或单个可调用名称的函数的scoring参数而出现问题。 此存储库的模块multiscorer是一种在cross_val_score中使用任意数量的指标的解决方法。 安装 要“安装”模块，只需下载源代码并将其放置在项目的目录中即可。 （或者，下载multiscor