- 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。 from sklearn.preprocessing import PolynomialFeatures# 生成多项式特征poly = PolynomialFeatures(degree=2)X_poly =f_classif, k=2)X_new = selector.fit_transform(X, y)模型选择与交叉验证模型选择是机器学习中的一个重要环节。 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。 数据集sklearn 自带了一些常用的数据集，例如波士顿房价数据集、鸢尾花数据集、手写数字数据集等。可以通过 sklearn.datasets 模块来加载这些数据集。 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。 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 下载对应python版本号和电脑系统 如python3.8+64位系统 numpy‑1.22.2+mkl‑cp38‑cp38‑win_amd64.whl 依次对应找到相应的库，进行下载 2.
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。 X_selected = selector.fit_transform(X) 2. 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
2.Sklearn安装 Sklearn安装要求 Python(>=2.7or>=3.3)、 NumPy(>=1.8.2)、 SciPy(>=0.13.3)。 3.Sklearn通用学习模式 Sklearn中包含众多机器学习方法，但各种学习方法大致相同，我们在这里介绍Sklearn通用学习模式。 from sklearn import datasets #引入数据集,sklearn包含众多数据集 from sklearn.model_selection import train_test_split 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2] from sklearn import preprocessing import numpy as np a=np.array([[10,2.7,3.6], [-100,5,-2
1.8K31发布于 2019-08-14 - 来自专栏信数据得永生
SciPyCon 2018 sklearn 教程（下）
尝试添加sklearn.preprocessing.PolynomialFeatures变换器作为第二个预处理步骤，并网格搜索多项式的次数（尝试 1,2 和 3）。 as plt import numpy as np np.set_printoptions(precision=2) from sklearn.datasets import load_digits y_true = np.array([0, 0, 0, 1, 1, 1, 1, 1, 2, 2]) y_pred = np.array([0, 1, 1, 0, 1, 1, 2, 2, 2, 2]) (X_test, y_test)) from sklearn.metrics import r2_score print(r2_score(np.dot(X, true_coefficient), y {2:.2f}?'.
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。 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。 from sklearn.datasets import make_blobs X, y = make_blobs(centers=2, random_state=0, cluster_std=1.5 它无法在单个 2D 绘图中可视化，因为它具有 64 个特征。 我们将使用sklearn示例中的示例提取 2 个维度用于可视化。
1.5K10编辑于 2022-12-02 - 来自专栏python3
sklearn 快速入门教程
^-^） 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 (n_samples=6, n_features=5, n_informative=2, n_redundant=2, n_classes=2, n_clusters_per_class=2, >>> X = [[ 1., -1., 2.], ... [ 2., 0., 0.], ... data = [[0, 0, 3], [1, 1, 0], [0, 2, 1], [1, 0, 2]] encoder = preprocessing.OneHotEncoder().fit(data) 6.2 sklearn自带方法joblib ?
90740发布于 2020-01-16 - 来自专栏机器学习/数据可视化
集成学习2——sklearn实现
导入数据 import numpy as np import matplotlib.pyplot as plt from sklearn import datasets # 样本数，噪声设置，随机种子 X_train, y_train) dt_clf.score(X_test, y_test) 0.84 三种模型的预测 y_predict1 = log_clf.predict(X_test) y_predict2 是二分类问题，只有+1，0 # 如果三个结果的平均值大于等于3，则至少有两个结果1，说明y应该是1，少数服从多数原则 y_predict = np.array((y_predict1 + y_predict2 + y_predict3)>=2, dtype="int") y_predict[:10] array([1, 1, 0, 0, 0, 1, 0, 1, 0, 1]) from sklearn.metrics import accuracy_score accuracy_score(y_test, y_predict) 0.896 调用sklearn接口实现 from sklearn.ensemble import
43220发布于 2021-03-02 - 来自专栏Python与算法之美
2，sklearn学习指南
scikit-learn又称为sklearn，它是基于numpy和scipy的一个机器学习算法库，包含了除强化学习和深度神经网络之外的绝大部分著名的机器学习算法API。 使用sklearn可以轻松地完成从数据的获取，到数据的预处理，到模型的训练，到模型的评估，到模型的优化等一整套机器学习的流程。学习sklearn几乎是数据挖掘工程师和机器学习工程师必由之路。 一，sklearn功能模块 ? sklearn设计的非常优雅，它让我们能够使用同样的接口来实现所有不同的算法调用。 使用地图 下面地图是sklearn的老司机留给新手们的一个使用指南。 当你面对具体的数据和问题时，应该选择那种类型的模型，应该优先选择哪个模型，可以参考这份sklearn使用地图。 ? 三，sklearn学习路线 以下为我们《sklearn机器学习》系列教程的主要框架。
57520发布于 2020-07-20 - 来自专栏机器学习入门
sklearn 源码分析系列：neighbors(2)
sklearn 源码分析系列：neighbors(2) by DemonSonggithub源码链接(https://github.com/demonSong/DML) by\space DemonSong 算法和框架的分析应属两部分内容，所以最终决定，所有sklearn源码分析系列不涉及具体算法，而是保证每个方法调用的连通性，重点关注架构，以及一些必要的python实现细节。 -1], [-3, -2], [1, 1], [2, 1], [3, 2]]) plt.figure() plt.scatter(X[:,0],X[:,1]) plt.xlim(X[:,0].min # 可直接用KDtree实现最近邻查找 X = np.array([[-1, -1], [-2, -1], [-3, -2], [1, 1], [2, 1], [3, 2]]) kdt = KDTree 关于sklearn中kd_tree的具体分析，不作为本文内容，日后单独开辟一章来讲解。本文重点关注各接口的实现与内在联系。 ?
1.3K10发布于 2019-05-26 - 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。 : [0 1 2] 切分训练数据和测试数据 # 切分训练数据和测试数据 from sklearn.model_selection import train_test_split ## 30%测试数据，70% 惩罚是平方的l2惩罚。 如果为“ log2”，则max_features = log2（n_features）。如果为None，则max_features = n_features。 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.
86910发布于 2020-08-17 - 来自专栏应兆康的专栏
Python ML Library --- sklearn_Par. 2
本文相关资料下载地址: https://github.com/yingzk/sklearn_learning/tree/master/page2
722110发布于 2018-03-21 - 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 ,"Parch"]]) 说明：参数degree代表次数，默认为2。 比如输入为特征[a,b] [a,b][a,b]，则输出为[1,a,b,a2,ab,b2] [1,a,b,a^2, ab,b^2][1,a,b,a^2 ,ab,b^2 ] 1.6 分箱/分桶操作 1.6.1
1.9K40发布于 2019-08-09 - 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。 __version__) 如果安装成功，这将显示当前安装的Sklearn版本。 2. 数据预处理 在机器学习中，数据预处理是非常重要的步骤。Sklearn提供了一些工具来帮助您进行数据预处理。 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
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？ (model, X_scaled, y, cv=5) print("Accuracy: %0.2f (+/- %0.2f)" % (scores.mean(), scores.std() * 2)) ⚙️ Q2: Sklearn与其他机器学习库如TensorFlow、PyTorch有何 不同？ A2: Sklearn主要面向传统的机器学习算法，操作简单，易于上手。
41500编辑于 2024-05-24 - 来自专栏后端
机器学习之sklearn基础教程
cv=5)print('平均得分:', scores.mean())2. from sklearn.feature_selection import SelectKBest, chi2selector = SelectKBest(score_func=chi2, k=2)X_new from sklearn.decomposition import PCApca = PCA(n_components=2)X_pca = pca.fit_transform(X)from sklearn.manifold import TSNEtsne = TSNE(n_components=2)X_tsne = tsne.fit_transform(X)6. 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
栗子： from sklearn.preprocessing import MinMaxScaler data = [[-1, 2], [-0.5, 6], [0, 10], [1, 18]] scaler 栗子： from sklearn.preprocessing import MaxAbsScaler X = np.array([[1, -1, 2], [2, 0, 0], [0, 1, -1]]) 栗子： from sklearn.preprocessing import RobustScaler X = np.array([[1, -2, 2], [2, -1, 0], [0, 1, -1]] 栗子： from sklearn.preprocessing import Normalizer X = np.array([[1, 2], [3, 4], [5, 6]]) normalizer = from sklearn.preprocessing import PolynomialFeatures poly = PolynomialFeatures(degree=2) # 指定多项式的度数
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 n_estimators=100, random_state=42)model.fit(X_train, y_train)# 保存模型joblib.dump(model, 'iris_model.pkl')步骤2： 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
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