- 综合排序
- 最热优先
- 最新优先
- 来自专栏机器学习
【Sklearn | 2】sklearn 高级教程
在上一篇基础教程中，我们介绍了 sklearn的基础使用方法。本文将进一步深入，介绍一些高级功能和技巧，包括管道、特征工程、模型选择与评估、以及集成方法等。 示例：管道的使用from sklearn.pipeline import Pipelinefrom sklearn.preprocessing import StandardScalerfrom sklearn.linear_model from sklearn.model_selection import GridSearchCV# 定义参数网格param_grid = { 'C': [0.1, 1, 10, 100], grid_search.best_params_}")# 模型持久化joblib.dump(grid_search.best_estimator_, 'advanced_iris_classifier.pkl')通过这篇高级教程 希望通过这篇教程，你能在实际项目中更好地应用 sklearn，提高机器学习模型的性能和效果。
70821编辑于 2024-07-17 - 来自专栏机器学习
【sklearn | 1】sklearn 基础教程
本文将详细介绍sklearn 的基本使用方法和功能。安装 scikit-learn在使用 sklearn 之前，首先需要安装它。 sklearn 提供了 sklearn.preprocessing 模块来进行这些操作。标准化标准化可以使数据符合标准正态分布，即均值为0，标准差为1。 from sklearn.model_selection import GridSearchCV# 定义参数网格param_grid = { 'C': [0.1, 1, 10, 100], sklearn.preprocessing import StandardScalerfrom sklearn.linear_model import LogisticRegressionfrom sklearn.metrics 希望通过这篇教程，你能对 sklearn 有一个基本的了解，并能应用到实际项目中。
79621编辑于 2024-07-17 - 来自专栏全栈程序员必看
sklearn安装教程_sklearn库的使用
Sklearn (全称 Scikit-Learn) 是基于 Python 语言的机器学习工具，是机器学习中的常用第三方模块。 因此，在安装sklearn之前，需要先安装其三个依赖库numpy+scipy+matplotlib，具体安装步骤如下： 1.进入官网下载相应的模块 安装地址如下https://www.lfd.uci.edu
3K40编辑于 2022-11-02 - 来自专栏数据结构和算法
sklearn中级教程——特征选择
sklearn中级特征选择教程 在机器学习中，特征选择是一个重要的步骤，它可以帮助我们从原始数据中选择出最具预测性能的特征，以提高模型的准确性和效率。 在本教程中，我们将学习如何使用scikit-learn（sklearn）库中的特征选择方法来进行特征选择。 什么是特征选择？ 特征选择是从原始特征集中选择出对目标变量具有最大预测能力的特征子集的过程。 sklearn中的特征选择方法 sklearn库提供了多种特征选择方法，包括过滤式方法、包裹式方法和嵌入式方法。下面我们将介绍其中一些常用的方法。 1. from sklearn.feature_selection import SelectKBest from sklearn.feature_selection import chi2 selector 在本教程中，我们介绍了sklearn库中几种常用的特征选择方法，包括方差选择法、相关系数法、递归特征消除法和L1正则化。
61210编辑于 2024-01-20 - 来自专栏谓之小一
Python之Sklearn使用教程
from sklearn import preprocessing import numpy as np a=np.array([[10,2.7,3.6], [-100,5,-2 [120,20,40]],dtype=np.float64) print(a) print(preprocessing.scale(a)) #将值的相差度减小 ''' [[ 10 for k in k_range: knn=KNeighborsClassifier(n_neighbors=k) loss=-cross_val_score(knn,X,y,cv=10 ,25%...的过程中记录一下 train_size,train_loss,test_loss=learning_curve( SVC(gamma=0.1),X,y,cv=10,scoring= 损失函数便在10左右停留，此时便能直观的看出过拟合。 ? 下面我们通过修改gamma参数来修正过拟合问题。
1.8K31发布于 2019-08-14 - 来自专栏信数据得永生
SciPyCon 2018 sklearn 教程（下）
, KFold from sklearn.svm import SVR # 对每个参数设置执行交叉验证 for C in [0.001, 0.01, 0.1, 1, 10]: for gamma from sklearn.model_selection import GridSearchCV param_grid = {'C': [0.001, 0.01, 0.1, 1, 10], 'gamma (Ridge(alpha=10), X, y) plot_learning_curve(Lasso(alpha=10), X, y) 你也可以使用ElasticNet，而不是选择Ridge或Lasso， (figsize=(8, 8)) plt.scatter(X[:, 0], X[:, 1], c=plt.cm.tab10(y)) from sklearn.svm import LinearSVC 而不是 fit，因为 TSNE 没有 fit 方法 digits_tsne = tsne.fit_transform(digits.data) plt.figure(figsize=(10, 10)
1.3K10编辑于 2022-12-02 - 来自专栏信数据得永生
SciPyCon 2018 sklearn 教程（上）
# 使用整数数组的索引（花式索引） indices = np.array([3, 1, 0]) print(indices) X[:, indices] 还有很多东西要知道，但是这些操作对于我们在本教程中将要做的事情至关重要 SciPy 稀疏数组 我们不会在本教程中大量使用它们，但稀疏矩阵在某些情况下非常好用。 在一些机器学习任务中，尤其是与文本分析相关的任务，数据可能大多为零。 如下所示： # 创建一个包含大量零的随机数组 rnd = np.random.RandomState(seed=123) X = rnd.uniform(low=0.0, high=1.0, size=(10 在本教程中，我们将使用 NumPy 数组，而不是矩阵；scikit-learn 不支持后者。） CSR 表示对于计算非常有效，但它不适合添加元素。 # %load solutions/10_titanic.py 十一、文本特征提取 在许多任务中，例如在经典的垃圾邮件检测中，你的输入数据是文本。
1.5K10编辑于 2022-12-02 - 来自专栏python3
sklearn 快速入门教程
获取数据 1.1 导入sklearn数据集 sklearn中包含了大量的优质的数据集，在你学习机器学习的过程中，你可以通过使用这些数据集实现出不同的模型，从而提高你的动手实践能力，同时这个过程也可以加深你对理论知识的理解和把握 ^-^） 首先呢，要想使用sklearn中的数据集，必须导入datasets模块： from sklearn import datasets 下图中包含了大部分sklearn中数据集，调用方式也在图中给出 下面我们来看一下sklearn中有哪些平时我们常用的函数： from sklearn import preprocessing 2.1 数据归一化 为了使得训练数据的标准化规则与测试数据的标准化规则同步 sklearn为所有模型提供了非常相似的接口，这样使得我们可以更加快速的熟悉所有模型的用法。 6.2 sklearn自带方法joblib ?
90740发布于 2020-01-16 - 来自专栏Datawhale专栏
机器学习之sklearn基础教程！
本文在基于读者已经基本了解这些基本算法的原理以及推导的基础上，使用sklearn工具包进行算法实践，如果大家没有掌握基本算法原理，文中也会给出一些优秀的链接方便大家学习。 数据准备 我们使用鸢尾花数据集，进行分析考核可视化 # 引入数据 from sklearn import datasets import numpy as np iris = datasets.load_iris 从树的边界来看，决策树在鸢尾花分类问题上表现不错，但是sklearn不提供手工决策树修剪功能。 5. 通过随机森林组合多棵决策树 5.1 原理介绍 可参考阅读：机器学习必知必会10大算法 5.2 参考文档详细解释 class sklearn.ensemble.RandomForestClassifier K近邻（KNN） 6.1 原理介绍 可参考阅读：机器学习必知必会10大算法 6.2 参考文档详细解释 class sklearn.neighbors.KNeighborsClassifier(n_neighbors
86910发布于 2020-08-17 - 来自专栏机器学习与python集中营
利用sklearn做特征工程详细教程
import numpy as np log_age = df_train['Age'].apply(lambda x:np.log(x)) 1.2 MinMaxscaler（最大最小值缩放） from sklearn.preprocessing ) age_trans = minmax.fit_transform(df_train[['Age']]) age_trans 1.3 StandardScaler(Z-score缩放) from sklearn.preprocessing Age']].quantile(0.25) df_train[['Age']].quantile(0.5) df_train[['Age']].quantile(0.75) 1.5 高次特征 from sklearn.preprocessing dow'].apply(lambda x: 1 if (x==0 or x==6) else 0) 四：文本型特征 4.1 词袋模型 #countvectorizer是一个向量化的计数器 from sklearn.feature_extraction.text 设置一下词向量的长度范围 vec = CountVectorizer(ngram_range=(1,3)) 参数ngram_range表示词向量的长度为[1,3]（闭区间） 4.3 TF-IDF from sklearn.feature_extraction.text
1.9K40发布于 2019-08-09 - 来自专栏Python数据科学
Sklearn 的 10 个小众宝藏级方法！
本次给大家介绍10个Sklearn方法，比较小众但非常好用。 from sklearn.pipeline import make_pipeline from sklearn.preprocessing import FunctionTransformer def from sklearn.base import BaseEstimator, TransformerMixin from sklearn.preprocessing import PowerTransformer 以下是QDA在Sklearn中的执行速度。 (n_samples=5000, n_classes=2, n_features=10) X_reduced = umap.UMAP(n_components=2).fit_transform(X, y
89220编辑于 2023-11-14 - 来自专栏人工智能领域
机器学习之sklearn基础教程
在本教程中，我们将介绍Sklearn的基础知识，包括安装、数据预处理、选择模型、训练模型、评估模型和模型持久化。 1. 安装Sklearn 在开始使用Sklearn之前，您需要确保已经安装了Python和pip。 安装完成后，您可以通过以下命令来验证是否安装成功： python import sklearn print(sklearn. 选择模型 Sklearn提供了大量的机器学习模型供您选择。在本教程中，我们将使用线性回归模型作为示例。 总结 在本教程中，我们介绍了Sklearn的基础知识，包括安装、数据预处理、选择模型、训练模型、评估模型和模型持久化。这只是一个简单的入门教程，Sklearn还有许多其他功能等待您去探索。
63310编辑于 2024-12-18 - 来自专栏猫头虎博客专区
机器学习之Sklearn基础教程
摘要 本文详细介绍了使用Python中的sklearn库进行机器学习的基础知识。内容包括sklearn的安装、主要模块功能、基础模型的训练与评估方法以及如何进行模型优化。 本教程适合所有水平的读者，无论是机器学习初学者还是希望深化sklearn应用的开发者。 引言 在当今的数据科学与人工智能领域，机器学习技术已经成为不可或缺的一部分。 本文将带领读者深入理解sklearn库的核心功能和操作方法，帮助您轻松上手并有效实施机器学习模型。 正文 Sklearn简介与安装 什么是Sklearn？ 如何安装Sklearn？ import GridSearchCV param_grid = {'C': [0.1, 1, 10], 'kernel': ['linear', 'rbf']} grid_search = GridSearchCV
41500编辑于 2024-05-24 - 来自专栏后端
机器学习之sklearn基础教程
基础概念1.1 模型选择与训练在sklearn中，模型被封装在sklearn.model_selection模块下，如sklearn.linear_model.LinearRegression代表线性回归模型 , 10, 100], 'gamma': [1, 0.1, 0.01, 0.001]}grid = GridSearchCV(SVC(), param_grid, refit=True, verbose sklearn提供了joblib库来实现模型的序列化。 import joblib# 保存模型joblib.dump(model, 'model.pkl')# 加载模型loaded_model = joblib.load('model.pkl')10. 希望这篇教程能为你开启机器学习的大门，祝你在探索AI的世界中取得更多的成就！我正在参与2024腾讯技术创作特训营最新征文，快来和我瓜分大奖！
61310编辑于 2024-05-09 - 来自专栏设计模式
机器学习之sklearn基础教程
一、安装sklearn 先安装Python环境。 可以使用pip来安装sklearn库： pip install scikit-learn 二、数据预处理 在使用sklearn进行机器学习之前，需要对数据进行预处理。 栗子： from sklearn.preprocessing import MinMaxScaler data = [[-1, 2], [-0.5, 6], [0, 10], [1, 18]] scaler cross-validation score: {scores.mean()}") # 使用网格搜索找到最佳参数 parameters = {'kernel':('linear', 'rbf'), 'C':[1, 10 当然，sklearn还提供了更多高级的功能和算法，如聚类、降维、异常检测等，这些都有待我们去探索和学习。希望这篇博客能作为学习sklearn的起点，助你在机器学习的道路上越走越远！
74810编辑于 2024-06-03 - 来自专栏机器学习
【sklearn | 4】 深度教程：模型部署与优化
在前几篇教程中，我们介绍了 sklearn的基础、高级功能，异常检测与降维，以及时间序列分析与自然语言处理。这篇教程将进一步探讨模型部署与优化的技术和方法。 import joblibfrom sklearn.datasets import load_irisfrom sklearn.model_selection import train_test_splitfrom ], 'max_depth': [None, 10, 20, 30], 'min_samples_split': [2, 5, 10]}# 创建网格搜索对象grid_search = GridSearchCV Content-Type: application/json" -d '{"features": [5.1, 3.5, 1.4, 0.2]}' http://127.0.0.1:5000/predict总结通过本篇深度教程 ，我们学习了如何在 sklearn 中进行模型部署与优化。
78321编辑于 2024-07-24 - 来自专栏《C++与 AI：个人经验分享合集》
《机器学习入门：sklearn 基础教程全解析》
而 sklearn 作为机器学习领域的重要工具之一，为我们提供了便捷的途径来探索和应用这一神奇的技术。本文将为您详细介绍 sklearn 的基础教程，带您领略机器学习的魅力。 一、sklearn 是什么 sklearn 是一个强大的、基于 Python 的机器学习库，它包含了众多经典的机器学习算法和实用的工具，能够帮助我们轻松构建各种复杂的模型。 二、安装与环境配置 要使用 sklearn，首先需要确保 Python 环境已经安装，然后通过 pip 命令即可方便地完成安装。 六、应用实例展示 结合实际案例，展示如何使用 sklearn 解决具体的问题，如房价预测、客户流失预测等。通过实际操作，让读者更好地理解和应用 sklearn 的技术。 通过以上内容的介绍，相信您已经对 sklearn 有了初步的了解和认识。无论您是初学者还是有一定经验的开发者，都可以借助 sklearn 开启自己的机器学习之旅。
20610编辑于 2024-12-09 - 来自专栏全栈程序员必看
sklearn库安装_sklearn简介
Scikit learn 也简称sklearn，是机器学习领域当中最知名的python模块之一。 sklearn包含了很多机器学习的方式： Classification 分类 Regression 回归 Clustering 非监督分类 Dimensionality reduction 数据降维 Model Selection 模型选择 Preprocessing 数据与处理 使用sklearn可以很方便地让我们实现一个机器学习算法。 一个复杂度算法的实现，使用sklearn可能只需要调用几行API即可。 所以学习sklearn，可以有效减少我们特定任务的实现周期。 Sklearn安装： 在安装sklearn之前，需要安装两个库，即numpy+mkl和scipy。 不要使用pip3直接进行安装，因为pip3默安装的是numpy，而不是numpy+mkl。
1.4K20编辑于 2022-11-08 - 来自专栏全栈程序员必看
sklearn 安装_sklearn安装太慢
sklearn库的简介 sklearn库 sklearn是scikit-learn的简称，是一个基于Python的第三方模块。 sklearn库集成了一些常用的机器学习方法，在进行机器学习任务时，并不需要实现算法，只需要简单的调用sklearn库中提供的模块就能完成大多数的机器学习任务。 sklearn库是在Numpy、Scipy和matplotlib的基础上开发而成的，因此在介绍sklearn的安装前，需要先安装这些依赖库。 Scipy库是sklearn库的基础，它是基于Numpy的一个集成了多种数学算法和函数的Python模块。它的不同子模块有不同的应用，如：积分、插值、优化和信号处理等。 （注意要先安装numpy再安装matplotlib库） sklearn库的安装 安装包的下载:下载链接 安装顺序 安装顺序如下： Numpy库 Scipy库 matplotlib库 sklearn库 依赖库之
4.3K40编辑于 2022-11-02 - 来自专栏全栈程序员必看
sklearn linear regression_auto sklearn
K折交叉验证：sklearn.model_selection.KFold(n_splits=3, shuffle=False, random_state=None) 思路：将训练/测试数据集划分n_splits : [8 9] train_index:[0 1 2 3 4 5 6 7 8 9] , test_index: [10 11] In [2]: from sklearn.model_selection [3]: from sklearn.model_selection import KFold ...: import numpy as np ...: X = np.arange(24). : [ 2 10] train_index:[ 0 1 2 3 6 7 8 9 10 11] , test_index: [4 5] In [4]: from sklearn.model_selection : [3 9] train_index:[ 1 2 3 4 6 7 8 9 10 11] , test_index: [0 5] In [6]: from sklearn.model_selection
48130编辑于 2022-11-08
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