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

对于输入数组，这依旧是把每一行当作一个样本，每一列当作一个特征，我们先来看第一个特征，即第一列，也就是说它有两个取值 0 或者 1，那么 one-hot 就会使

:deciduous_tree: Python中的斜决策树 倾斜决策树实现的python接口： OC1 CART-线性组合（Breiman等，1984，第5章） 安装（Python 3） 首先使用以下命令安装numpy ： pip install numpy 然后运行： pip install git+https://github.com/AndriyMulyar/sklearn-oblique-tree 利用 可以使用普通的scikit-learn分类器api来诱导树木。 例如： from sklearn . datasets import load_iris , load_breast_cancer fro

Hyperopt-sklearn是基于scikit-learn项目的一个子集，其全称是：Hyper-parameter optimization for scikit-learn，即针对scikit-learn项目的超级参数优化工具。由于scikit-learn是基于Python的机器学习开源框架，因此Hyperopt-sklearn也基于Python语言。Hyperopt-sklearn的文档称：对于开发者而言，针对不同的训练数据挑选一个合适的分类器（classifier）通常是困难的。而且即使选好了分类器，后面的参数调试过程也相当乏味和耗时。更严重的是，还有许多情况是开发者好不容易调试好了选定的分类器，却发现一开始的选择本身就是错误的，这本身就浪费了大量的精力和时间。针对该问题，Hyperopt-sklearn提供了一种解决方案。Hyperopt-sklearn支持各种不同的搜索算法（包括随机搜索、Tree of Parzen Estimators、Annealing等），可以搜索所有支持的分类器（KNeightborsClassifier、KNeightborsClassifier、SGDClassifier等）或者在给定的分类器下搜索所有可能的参数配置，并评估最优选择。并且Hyperopt-sklearn还支持多种预处理流程，包括TfidfVectorizer，Normalzier和OneHotEncoder等。那么Hyperopt-sklearn的实际效果究竟如何？下表分别展示了使用scikit-learn默认参数和Hyperopt-sklearn优化参数运行的分类器的F-score分数，数据源来自20个不同的新闻组稿件。可以看到，经过优化的分类器的平均得分都要高于默认参数的情况。另外，Hyperopt-sklearn的编码量也很小，并且维护团队还提供了丰富的参考样例。 标签：Hyperopt

scikit-multiflow是一个机器学习包，用于在Python scikit-multiflow传输数据。 和正在合并到一个名为的新项目中。 我们认为这两个项目具有相同的愿景。 我们认为，集中资源而不是重复工作将使双方受益。 我们也有信心，这将使两个社区受益。 将会有更多的人从事新项目，这将使我们能够更有效地分配工作。 因此，我们将能够使用更多功能并提高项目的整体质量。 这两个项目将停止积极发展。 这两个项目的代码都将继续公开提供，尽管开发仅侧重于过渡期间的小规模维护。 新软件包的体系结构与creme非常相似。 它将专注于单实例增量模型。 我们鼓励用户使用River代替奶油。 我

python的机器学习库的轮子文件，可直接pip安装，由于从国外官网下载过慢，因此提供本资源，机器学习库是很有用的，他涵盖了大部分监督学习和无监督学习的算法，本文件对应Python版本为python39的64位版本

机器学习实战：基于Scikit-Learn、Keras和TensorFlow 原书第2版 配套代码

hpbandster-sklearn hpbandster-sklearn是一个Python库，为超参数调整库提供了包装器HpBandSterSearchCV 。 动机 HpBandSter实现了几种尖端的超参数算法，包括HyperBand和BOHB。 它们通常优于标准的随机搜索，可以在更短的时间内找到最佳的参数组合。 HpBandSter功能强大且可配置，但对于初学者来说，其用法通常是不直观的，并且需要大量的样板代码。 为了解决该问题，创建了HpBandSterSearchCV来替代scikit-learn超参数搜索器，它遵循了众所周知的流行API，从而可以以最小的设置调整scikit-