- 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.model_selection import cross_val_score# 进行 5 折交叉验证scores = cross_val_score(LogisticRegression solver': ['lbfgs', 'liblinear']}# 网格搜索grid_search = GridSearchCV(LogisticRegression(), param_grid, cv=5) 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。 solver': ['lbfgs', 'liblinear']}# 网格搜索grid_search = GridSearchCV(LogisticRegression(), param_grid, cv=5) 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。 = SelectKBest(chi2, k=5) X_selected = selector.fit_transform(X, y) 3. = LogisticRegression() selector = RFE(estimator, n_features_to_select=5) X_selected = selector.fit_transform 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
5.Sklearn Model的属性和功能 数据训练完成之后得到模型，我们可以根据不同模型得到相应的属性和功能，并将其输出得到直观结果。 from sklearn import preprocessing import numpy as np a=np.array([[10,2.7,3.6], [-100,5,-2 以前我们是直接将数据分割成70%的训练数据和测试数据，现在我们利用K折交叉验证分割数据，首先将数据分为5组，然后再从5组数据之中选择不同数据进行训练。 ? from sklearn.model_selection import cross_val_score knn=KNeighborsClassifier(n_neighbors=5) #选择邻近的5个点 1. 0.93333333 0.96666667 1.]5组数据 print(scores.mean())#平均评分结果 #0.973333333333 那么是否n_neighbor=5便是最好呢
1.8K31发布于 2019-08-14 - 来自专栏信数据得永生
SciPyCon 2018 sklearn 教程（下）
X_5 = X[y == 5] X_5.shape fig, axes = plt.subplots(1, 5, figsize=(10, 4)) for ax, x in zip(axes, X_ 5[:5]): img = x.reshape(8, 8) ax.imshow(img, cmap=plt.cm.gray_r, interpolation='nearest') X_strong_inliers = X_5[np.argsort(iforest_X)[-10:]] fig, axes = plt.subplots(2, 5, figsize=(10, 5)) fig, axes = plt.subplots(2, 5, figsize=(10, 5)) X_outliers = X_5[iforest.predict(X_5) == -1] for i, 此外，正面意味着电影在 IMDb 上收到> 6星；负面意味着电影收到<5星。 假设..
1.3K10编辑于 2022-12-02 - 来自专栏信数据得永生
SciPyCon 2018 sklearn 教程（上）
= np.random.RandomState(seed=123) X = rnd.uniform(low=0.0, high=1.0, size=(3, 5)) # a 3 x 5 array = 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。 :\n', X[:5, :]) print('First 5 labels:', y[:5]) 由于数据是二维的，我们可以将每个样本绘制为二维坐标系中的一个点，第一个特征是x轴，第二个特征是y轴。
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, from sklearn import neighbors #定义kNN分类模型 model = neighbors.KNeighborsClassifier(n_neighbors=5, n_jobs =1) # 分类 model = neighbors.KNeighborsRegressor(n_neighbors=5, n_jobs=1) # 回归 """参数 --- n_neighbors 5. 模型评估与选择篇 5.1 交叉验证 ?
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。 必须在调用fit之前启用此功能，因为该方法内部使用5倍交叉验证，因而会减慢该方法的速度，并且predict_proba可能与dict不一致。 tol：算法停止的条件，默认为0.001。 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. =5, _, weights='uniform', algorithm='auto', leaf_size=30, p=2, metric='minkowski', metric_params=None , n_jobs=None, *_kwargs) 6.2.1 可选参数 n_neighbors：寻找的邻居数，默认是5。
86910发布于 2020-08-17 - 来自专栏机器学习
【sklearn | 5】：集成学习与模型解释
在前几篇教程中，我们探讨了 sklearn的基础、高级功能，异常检测与降维，时间序列分析与自然语言处理，以及模型部署与优化。 本篇教程将专注于集成学习和模型解释，这两者在提高模型性能和理解模型行为方面非常重要。集成学习集成学习通过结合多个基学习器来提高模型的性能和稳定性。 随机森林from sklearn.datasets import load_irisfrom sklearn.model_selection import train_test_splitfrom sklearn.ensemble (X_test)# 可视化 SHAP 值shap.summary_plot(shap_values, X_test, feature_names=wine.feature_names)总结通过本篇专题教程 ，我们学习了 sklearn 中的集成学习和模型解释。
67521编辑于 2024-07-24 - 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 轻量级神经网络系列——MobileNet V1 5. pythonturtle绘图 绘制奥运五环 绘制18*18棋盘
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。 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。 python model.fit(X_train_scaled, y_train) 5. 评估模型 训练完成后，您需要评估模型的性能。您可以使用测试数据来评估模型。 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)) ⚙️ 'C': [0.1, 1, 10], 'kernel': ['linear', 'rbf']} grid_search = GridSearchCV(SVC(), param_grid, cv=5) grid_search.fit
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. 5. 特征选择与降维5.1 特征选择特征选择旨在识别最有影响力的特征，剔除冗余或无关的特征，提高模型效率和解释性。 explainer.shap.TreeExplainer(model)shap_values = explainer.shap_values(X_test)plot_tree(explainer, data=X_test.iloc[0:5] discretize_continuous=True)exp = lime_explainer.explain_instance(X_test.iloc[0], model.predict_proba, num_features=5) 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
2], [3, 4], [5, 6]]) # 初始化StandardScaler scaler = StandardScaler() # 使用fit_transform方法对数据进行缩放 X_scaled scaler = RobustScaler() # 使用fit_transform方法对数据进行缩放 X_scaled = scaler.fit_transform(X) print(X_scaled) 5. 栗子： from sklearn.preprocessing import Normalizer X = np.array([[1, 2], [3, 4], [5, 6]]) normalizer = , k=5) X_train_selected = selector.fit_transform(X_train, y_train) 主成分分析（PCA） PCA是一种常用的降维技术，虽然它不属于预处理步骤 # 初始化SVC模型 svc = SVC() # 使用5折交叉验证评估模型性能 scores = cross_val_score(svc, X, y, cv=5) print(f"Cross-validation
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。 ], 'max_depth': [None, 10, 20, 30], 'min_samples_split': [2, 5, 10]}# 创建网格搜索对象grid_search = GridSearchCV (RandomForestClassifier(random_state=42), param_grid, cv=5, n_jobs=-1)# 进行网格搜索grid_search.fit(X_train RandomizedSearchCV(RandomForestClassifier(random_state=42), param_distributions=param_dist, n_iter=100, cv=5, 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
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。 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。 KNneighborsClassifier参数说明： n_neighbors：默认为5，就是k-NN的k的值，选取最近的k个点。
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 10 11] , test_index: [8 9] train_index:[0 1 2 3 4 5 6 7 8 9] , test_index: [10 11] In [2]: from sklearn.model_selection 运行两次，发现两次运行的结果不同 In [3]: from sklearn.model_selection import KFold ...: import numpy as np ... : [ 2 10] train_index:[ 0 1 2 3 6 7 8 9 10 11] , test_index: [4 5] In [4]: from sklearn.model_selection =整数，发现每次运行的结果都相同 In [5]: from sklearn.model_selection import KFold ...: import numpy as np ...
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