- 综合排序
- 最热优先
- 最新优先
- 来自专栏python3
Python自动化开发学习4-3
python自带的str()可以完成序列化，然后eval()可以反序列化，但是我们先把他们忘记。不知道适用范围是多大。
48920发布于 2020-01-06 - 来自专栏AI机器学习与深度学习算法
机器学习入门 4-3 训练数据集，测试数据
本系列是《玩转机器学习教程》一个整理的视频笔记。本小节主要介绍如何判断机器学习的性能，train_test_split方法。 判断机器学习算法的性能 对于一个机器学习算法，我们如何来判断机器学习算法的性能呢？ ? 当前我们将全部数据集作为训练集，使用训练集训练得到一个模型。 其实这种方式在判断机器学习算法性能的时候也会存在相应的问题，具体的后面会介绍。 代码实现 ? ? ? ?
1.5K01发布于 2019-11-13 4-3数据库迁移
Nuget安装Microsoft.EntityFrameworkCore.Tools 上一节中讲到，使用Add-Migration和Update-database会在项目中生成文件夹Migrations，其中有两类文件：
12110编辑于 2026-06-17- 来自专栏Hank’s Blog
4-3 R语言函数 mapply
#mapply(函数/函数名,数据,函数相关的函数) > list(rep(1,4),rep(2,3),rep(3,2),rep(4,1)) [[1]] [1] 1 1 1 1 [[2]] [1] 2 2 2 [[3]] [1] 3 3 [[4]] [1] 4 > mapply(rep,1:4,4:1) [[1]] [1] 1 1 1 1 [[2]] [1] 2 2 2 [[3]] [1] 3 3 [[4]] [1] 4 > s <- function(n,mean,std){ + r
92730发布于 2020-09-16 - 来自专栏育种数据分析之放飞自我
笔记 | GWAS 操作流程4-3：LM模型+因子协变量
第一列为FID 第二列为ID 第三列以后为协变量（注意，只能是数字，不能是字符！）
1.1K30发布于 2020-05-29 - 来自专栏cwl_Java
C++编程之美-数学之趣(代码清单4-3)
代码清单4-3 void CalcTime(double Length, // length of the stick double *XPos, // position
26830编辑于 2022-11-30 - 来自专栏HelloCode开发者学习平台
iOS开发者多线程学习之旅
说到锁，我们再来看看苹果爸爸的给出干货Synchronization Costs and Performance
56910发布于 2019-01-23 - 来自专栏嵌入式音视频
【Airplay】WWDC学习_苹果开发者大会
PHPicker 现在在带有 macOS Ventura 的 Mac 以及带有 watchOS 9 的手表上 更新您的 Mac 和 Watch App 以访问照片 而不提示用户 访问所有照片 Web开发者的创新
1.4K10编辑于 2023-04-07 - 来自专栏鸿的学习笔记
写给开发者的机器学习指南（十三）
在我们实际使用支持向量机（SVM）之前，我先简要介绍一下SVM是什么。 基本SVM是一个二元分类器，它通过选取代表数据点之间最大间隔的超平面将数据集分成2部分。 SVM采用所谓的“校正率”值。 如果没有完美分割，校正速率允许拾取仍然在该误差率内分裂的超平面。因此，即使在线上存在一些点时，校正速率也允许超平面拟合。 这意味着我们不能为每个案例提出“标准”纠正率。 然而，当数据中没有重叠时，较低的值应该比较高的值更好。
82210发布于 2018-08-06 - 来自专栏鸿的学习笔记
写给开发者的机器学习指南（八）
这种数据操作技巧在机器学习领域是非常常见的。 找到正确的尺度需要一些洞察力。 我们将要研究的下一个特征是主题发生的频率和时间范围。如果主题出现得更多，它可能具有更高的重要性。
81220发布于 2018-08-06 - 来自专栏鸿的学习笔记
写给开发者的机器学习指南（二）
Learning methods 在机器学习领域有两种主要的学习方式，即监督学习和无监督学习。 当您想在您的应用程序中使用机器学习时，需要简要说明下，因为选择正确的机器学习方法和算法是一个重要但有时也是一个繁琐的过程。 Classification 在监督学习领域内的分类问题相对简单。给定一组标签，以及一些已经接收到正确标签的数据，我们希望能够预测尚未标记的新数据的标签。 Unsupervised learning 与监督相反的是使用无监督学习，您不能预先准确地知道输出。应用无监督学习的想法是在数据集中找到隐藏的底层结构。 无监督学习的另一个例子是K均值聚类。 K均值聚类背后的想法是在数据集中查找集合，以便以后可以将这些集合用于诸如监督学习的目的。
63220发布于 2018-08-06 - 来自专栏鸿的学习笔记
写给开发者的机器学习指南（十二）
此代码加载DJI数据，并将其添加到已经包含我们自己的股票市场指数的图形上。但是，当我们执行这段代码时，结果如下。
64220发布于 2018-08-06 - 来自专栏鸿的学习笔记
写给开发者的机器学习指南（六）
Practicalexamples 在本节中，我们为您介绍一组在实际环境中的机器学习算法。 这些例子的想法是让你开始使用机器学习算法，而不深入解释底层算法。 绘制数据背后的想法是验证K-NN是否是针对该特定数据集的拟合机器学习算法。 在这种情况下，数据如下： ? 考虑到使用K-NN算法是适合这个问题的选择，让我们继续实际的机器学习部分。对于此，GUI是开源的，因为它没有真正添加任何值。回忆一下机器学习的全局概念，在机器学习中有两个关键部分：预测和验证。 这就是为什么有一个足够大和代表性的数据集是一个良好的机器学习应用程序的关键。然而，当意识到这个问题，你可以不断根据新的数据和已知正确的分类不断更新你的模型。 让我们回顾一下我们迄今为止做了什么。
72020发布于 2018-08-06 - 来自专栏鸿的学习笔记
写给开发者的机器学习指南（七）
与每个机器学习实现一样，第一步是加载训练数据。然而在这个例子中，我们直接进入机器学习中。在KNN的例子中，我们有下载和上传速度作为功能。 我们没有将它们称为特征，因为它们是唯一可用的属性。 或者机器学习的完成是运行在完整的Hadoop集群上的，但解释这个将超出本博客的范围。
71210发布于 2018-08-06 - 来自专栏鸿的学习笔记
写给开发者的机器学习指南（九）
这些格式对于绘制数据和反馈到机器学习算法是有好处的。让我们先看看数据是什么样子。 为此，我们使用以下代码绘制数据。 让您意识到这种可能性可能有助于您找到数据中的集合，这可以提高机器学习应用程序的性能。现在我们已经看到了数据，看到确实我们可以想出一个线性回归线来拟合这些数据。
90410发布于 2018-08-06 - 来自专栏鸿的学习笔记
写给开发者的机器学习指南（十）
An attempt at rank prediction for topselling books using text regression
66730发布于 2018-08-06 - 来自专栏鸿的学习笔记
写给开发者的机器学习指南(一)
文：Mike de Waard 大多数开发人员已经听说过机器学习，但是当试图找到一种“容易”的方法进入这种技术时，大多数人发现自己被机器学习和术语的抽象概念吓退了，例如回归，无监督学习，概率密度函数等许多其他的定义 如果一个人选择阅读书籍，如使用R语言的统计学习介绍，以及使用R语言的黑客的机器学习。 然而R并不是真正的编程语言，其中用于日常使用的是例如Java，C＃，Scala等语言。 这就是为什么在这个博客中，将介绍使用Smile，一个机器学习库，在Java和Scala中都可以使用的一个机器学习库。这些是大多数开发人员在学习或职业生涯中至少看过一次的语言。 该部分的实例来自“机器学习黑客”一书的例子。此外，机器学习实战这本书可以被用于验证。 机器学习可以以许多方式解释，有些会比其他的更准确，但是它的定义有很多不一致的地方。有人说机器学习是基于历史数据生成静态模型，然后允许您预测未来的数据。
66730发布于 2018-08-06 - 来自专栏企鹅号快讯
给 iOS 开发者的 python 学习日记十二
写在前面 我们在昨天的学习笔记讨论了 Python 基本变数类型与资料结构可以应用的属性或方法，除了基本的资料结构以外，你是否还记得 Python 可以透过引入 numpy 套件之后使用 ndarray
1K50发布于 2018-02-12 - 来自专栏鸿的学习笔记
写给开发者的机器学习指南（十一）
将这24个股票价格合并为1大量减少了要处理的数据量，并减少了我们的数据的维度，这是一个很大的优势，如果我们后来应用其他机器学习算法，如回归预测。
54120发布于 2018-08-06 - 来自专栏鸿的学习笔记
写给开发者的机器学习指南（三）
Validation techniques 在本节中，我们将解释一些可用于模型验证的技术，以及在验证技术范围内机器学习领域常用的一些术语。 Crossvalidation 交叉验证技术是机器学习领域最常见的技术之一。它的本质是在训练你的模型时忽略你的数据集的一部分，然后使用模型来预测这个被忽略的数据。
68810发布于 2018-08-06
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号