今天晚上，笔者接到客户的一个需要，那就是：对多分类结果的每个类别进行指标评价，也就是需要输出每个类型的精确率（precision），召回率（recall）以及F1值（F1-score）。 对于这个需求，我们可以用sklearn来解决，方法并没有难，笔者在此仅做记录，供自己以后以及读者参考。 我们模拟的数据如下： y_true = [‘北京’, ‘上海’, ‘成都’, ‘成都’, ‘上海’, ‘北京’, ‘上海’, ‘成都’, ‘北京’, ‘上海’] y_pred = [‘北京’, ‘上海’, ‘成都’, ‘上海’, ‘成都’, ‘成都’, ‘上海’, ‘成都’, ‘北京’, ‘上海’] 其

我就废话不多说了，大家还是直接看代码吧~ clf=KMeans(n_clusters=5) #创建分类器对象 fit_clf=clf.fit(X) #用训练器数据拟合分类器模型 clf.predict(X) #也可以给新数据数据对其预测 print(clf.cluster_centers_) #输出5个类的聚类中心 y_pred = clf.fit_predict(X) #用训练器数据X拟合分类器模型并对训练器数据X进行预测 print(y_pred) #输出预测结果 补充知识：sklearn中调用某个机器学习模型model.predict(x)和model.predict_proba(x)

在Sklearn中使用SVC运行RFE的python代码

1.3 公钥密码体制－ECC密钥对生成 第一讲 密码学基础  ① 选择一个椭圆曲线E:y2≡x3+ax+b(mod p)， 构造一个椭圆群Ep(a,b)；  ② 在Ep(a,b)中挑选生成元点G=(x0,y0)，G应 使得满足nG=O的最小的n是一个非常大的素数；  ③ 选择一个小于n的整数nB作为其私钥，然后 产生其公钥PB=nBG；  注：公开的信息(E,G,n,PB)

sklearn的各种特征工程函数，包括归一化、缺失值处理、特征选择等，参考博客http://www.cnblogs.com/jasonfreak/p/5448385.html

sklearn的官方文档，2000多页，很好的工具书

机器学习实战，促进学习，交流，更好的为人类发展做出贡献，此版本有中文，英文版本，还有源码，

自己按照官方文档整理的sklearn的各个模块以及主要接口，适合‘查表’使用

检测帕金森病 帕金森氏病与运动障碍症状有关，例如震颤，僵硬，运动迟缓和姿势不稳。 运动迟缓和僵硬的表现通常在疾病的早期。 这些对患者的笔迹和素描能力有显着影响，显微照相术已被用于帕金森氏病的早期诊断。 虽然人的笔迹受许多因素（例如语言熟练程度和教育程度）的影响，但发现绘制形状（例如螺旋形）是一种非侵入性且独立的措施。 怎么跑 python detect_parkinsons.py --dataset dataset/spiral python detect_parkinsons.py --dataset dataset/wave

sklearn API 文档