《机器学习实战：基于Scikit-Learn、Keras和TensorFlow第2版》-学习笔记（2）
《机器学习实战：基于Scikit-Learn、Keras和TensorFlow第2版》 - 第二章 端到端的机器学习项目。Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 2nd Edition, by Aurél
数据预处理之数据的特征缩放——sklearn实现
目录前言一、标准化（StandardScaler）二、归一化（MinMaxScaler）三、正则化（Normalizer）四、绝对值最大标准化（MaxAbsScaler）五、二值化（Binarizer）六、OneHot编码（OneHotEncoder）参考前言在现实任务中，我们的数据集往往存在各种各
如何保存sklearn训练得到的模型？看这一篇就够了
目录前言一、安装joblib参考前言一、安装joblib可以使用pip命令进行安装：pip install joblib对于conda用户，可以考虑使用conda命令：conda install joblib参考[1] 官方文档
数据标准预处理合集_python机器学习sklearn库
文章目录数据获取①归一化 MinMaxScaler1.1默认调用1.2了解相关属性/参数②正则化 Normalizer2.1默认调用2.2相关属性/参数③标准化3.1默认调用3.2相关属性/参数④二值化4.1默认调用4.2相关属性/参数数据获取以鸢尾数据为例，首先加载数据集。from sklearn
深入理解交叉验证与网格搜索——sklearn实现
交叉验证（Cross Validation）和网格搜索（Grid Search）常结合在一起并用来筛选模型的最优参数。本文将从零开始一步步讲解交叉验证和网格搜索的由来，并基于sklearn实现它们。目录一、交叉验证法1.1 交叉验证法的由来1.2 交叉验证法的定义1.3 sklearn.model_
【超详细】基于sklearn实现软硬间隔SVM
目录一、硬间隔SVM1.1 sklearn.svm.SVC()1.1.1 数据集1.1.2 参数1.1.3 方法一、硬间隔SVMsklearn中没有实现硬间隔SVM的类，因为它并不实用，但我们可以通过将正则化项 CCC 设置的足够大（例如 C=106C=10^6C=106）来模拟硬间隔SVM。考虑如
1.k-近邻算法（KNN）
概念根据你的“邻居”判断你的类别流程KNN api 初步使用机器学习流程Scikit-learn工具安装pip3 install scikit-learn==0.19.1注：需要Numpy，Scipy等库的支持Python (>= 3.5),NumPy (>= 1.11.0),SciPy
机器学习笔记一. 特征工程
sklearn 库加载数据集小数据集sk.datasets.load_iris();大数据集sk.datasets.fetch_20newsgroups()数据集返回值datasets.base.Bunch（继承自字 典类型）使用数据集# 数据集使用def datasets_demo(): i
