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_
【机器学习笔记（一）】——白话入门及术语解释
小白如何快速入门机器学习？如果不做专职的相关岗位开发，自己跑一些学习程序是否可行呢？比较现在各种框架都挺多的了，即使再不济，了解一下具体都能做哪些东西也是很不错的。
特征工程：常用的特征转换方法总结
在数据集中，大多数时候都会有不同大小的数据。为了使更好的预测，必须将不同的特征缩小到相同的幅度范围或某些特定的数据分布。
卷积层的算力评估(MACC和FOPS)
以比较简单的lenet网络模型为例，我们尝试推导主要算子的算力计算公式，并看一下它的各层理论算力要求。lenet网络结构以第二层为例，他的输入尺寸是1*28*28*1的一张feature map,卷积核为 5*5*1,stride_h和stride_w均为1， pad_h,pad_w均为0，说明不做
三种梯度下降方法与代码实现
本文属于 线性回归算法【AIoT阶段三】（尚未更新），这里截取自其中一段内容，方便读者理解和根据需求快速阅读。本文通过公式推导+代码两个方面同时进行，因为涉及到代码的编译运行，如果你没有 NumPyNumPy，PandasPandas，MatplotlibMatplotlib 的基础，建议先修文章：
机器学习分类算法之XGBoost（集成学习算法）
目录走进XGBoost什么是XGBoost？XGBoost树的定义XGBoost核心算法正则项：树的复杂程度XGBoost与GBDT有什么不同XGBoost需要注意的点XGBoost重要参数详解调参步骤及思想XGBoost代码案例相关性分析n_estimators（学习曲线）max_depth（学习
牛顿迭代法的可视化详解
牛顿迭代法（*Newton*'s method）又称为牛顿-拉夫逊（拉弗森）方法（*Newton-Raphson* method），它是牛顿在17世纪提出的一种在实数域和复数域上近似求解方程的方法。
机器学习-鸢尾花(Iris Flower)分类
一个机器学习中的“Heelo World”项目，针对鸢尾属的3个亚属进行分类。(Python\Pandas\Matplotlib\SKlearn)
吴恩达机器学习丨思维导图丨坚持打卡23天——构建知识脉络，回顾总结复盘
机器学习是目前信息技术中最激动人心的方向之一。本文以吴恩达老师的机器学习课程为主线，使用 Process On 在线绘图构建机器学习的思维导图。16张思维导图，理清机器学习知识脉络，便于学习复盘。
点到直线的距离求法
直线方程是AX+BY+C=0，直线外面一点到直线的距离,传统证明方法如下图：结束！
如何确定多少个簇？聚类算法中选择正确簇数量的三种方法
在本文中，首先介绍两个流行的指标来评估簇质量。然后介绍三种方法来找到最佳簇数量
【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
梯度下降【无约束最优化问题】
本文属于 线性回归算法【AIoT阶段三】（尚未更新），这里截取自其中一段内容，方便读者理解和根据需求快速阅读。本文通过公式推导+代码两个方面同时进行，因为涉及到代码的编译运行，如果你没有 NumPyNumPy，PandasPandas，MatplotlibMatplotlib 的基础，建议先修文章：
使用特征传播重构缺失数据进行图机器学习
本文种展示的特征传播是一种用于处理图机器学习应用程序中缺失的特征的有效且可扩展的方法。它很简单，但效果出奇地好。
时间序列数据的预处理
在本文中，我们将看到在深入研究数据建模部分之前应执行的常见时间序列预处理步骤和与时间序列数据相关的常见问题。
NumPy快速入门（四）——随机抽样与通用函数
目录一、随机抽样（np.random模块）1.1 np.random.random()1.2 np.random.uniform()1.3 np.random.randn()1.4 np.random.randint()1.5 np.random.rand()1.6 np.random.normal
机器学习分类算法之Logistic 回归（逻辑回归）
目录什么是逻辑回归？Sigmoid 函数似然函数梯度下降判定边界损失函数逻辑回归优点逻辑回归缺点代码实现Logistic Regression参数详解正则化选择参数：penalty优化算法选择参数：solver其他参数代码案例结果显示每文一语什么是逻辑回归？逻辑回归算法是用来解决分类问题的。回归与分
8个可以提高数据科学工作效率、节省宝贵时间的Python库
在进行数据科学时，可能会浪费大量时间编码并等待计算机运行某些东西。所以我选择了一些 Python 库，可以帮助你节省宝贵的时间。
线性回归的基本概念以及正规方程
本文属于线性回归算法【AIoT阶段三】（尚未更新），这里截取自其中一段内容，线性回归是机器学习中有监督机器学习下的一种算法。 回归问题主要关注的是因变量(需要预测的值，可以是一个也可以是多个)和一个或多个数值型的自变量(预测变量)之间的关系。需要预测的值:即目标变量，target，y，连续值预测变量
