scikit-learn 教程

scikit-learn 为 Python 机器学习提供了系统的学习方法。我们的教程涵盖了各种机器学习算法、模型选择和评估技术,适合初级和中级数据科学家。通过免费实验和实际代码示例,你将获得构建机器学习模型的实践经验。我们的数据科学实践平台使你能够实时试验 scikit-learn 的功能和数据集。

使用支持向量机对鸢尾花进行分类

使用支持向量机对鸢尾花进行分类

在本项目中,你将学习如何使用支持向量分类器(SVC)模型对鸢尾花数据集进行分类。鸢尾花数据集是一个经典的机器学习数据集,包含有关不同鸢尾花品种的信息,包括它们的萼片长度、萼片宽度、花瓣长度和花瓣宽度。
Pythonscikit-learn
核岭回归

核岭回归

在本实验中,我们将学习核岭回归(KRR)以及如何使用 Python 中的 scikit-learn 库来实现它。KRR 将岭回归与核技巧相结合,以便在由核诱导的空间中学习线性函数。它是一种非线性回归方法,可以处理输入和输出变量之间的非线性关系。
Machine Learningscikit-learn
Scikit-learn 中的线性模型

Scikit-learn 中的线性模型

在本实验中,我们将探索 Scikit-learn 中的线性模型。线性模型是用于回归和分类任务的一组方法。它们假设目标变量是特征的线性组合。由于其简单性和可解释性,这些模型在机器学习中被广泛使用。
Machine Learningscikit-learn
判别分析分类器解析

判别分析分类器解析

线性判别分析和二次判别分析(LDA 和 QDA)是机器学习中使用的两种经典分类器。LDA 使用线性决策面,而 QDA 使用二次决策面。这些分类器很受欢迎,因为它们有闭式解,在实际应用中效果良好,并且没有超参数需要调整。
Machine Learningscikit-learn
探索 Scikit-Learn 数据集和估计器

探索 Scikit-Learn 数据集和估计器

在本实验中,我们将探索 Python 中流行的机器学习库 Scikit-Learn 中的设置和估计器对象。我们将了解以二维数组表示的数据集,以及如何为 Scikit-Learn 对其进行预处理。我们还将探索估计器对象的概念,这些对象用于从数据中学习并进行预测。
Machine Learningscikit-learn
探索 Scikit-Learn 的随机梯度下降分类器

探索 Scikit-Learn 的随机梯度下降分类器

在本实验中,我们将探索随机梯度下降(SGD),这是一种常用于机器学习中解决大规模和稀疏问题的强大优化算法。我们将学习如何使用 scikit-learn 库中的 SGDClassifier 和 SGDRegressor 类来训练线性分类器和回归器。
Machine Learningscikit-learn
处理文本数据

处理文本数据

在本实验中,我们将探索如何使用 Python 中流行的机器学习库 scikit-learn 来处理文本数据。我们将学习如何加载文本数据、对其进行预处理、提取特征、训练模型以及评估其性能。
Machine Learningscikit-learn
使用 Scikit-learn 进行决策树分类

使用 Scikit-learn 进行决策树分类

在本实验中,我们将学习如何使用 Scikit-learn 通过决策树进行分类。决策树是一种用于分类和回归的非参数监督学习方法。它们易于理解和解释,并且可以处理数值和分类数据。
Machine Learningscikit-learn
半监督学习算法

半监督学习算法

在本实验中,我们将探索半监督学习的概念,这是一种机器学习类型,其中一些训练数据是有标签的,而一些是无标签的。半监督学习算法可以利用无标签数据来提高模型的性能,并更好地泛化到新样本。当我们有少量有标签数据但大量无标签数据时,这特别有用。
Machine Learningscikit-learn
使用 Scikit-Learn 探索集成方法

使用 Scikit-Learn 探索集成方法

在本实验中,我们将使用 Scikit-Learn 探索集成方法。集成方法是一种机器学习技术,它结合多个模型以实现比单个模型更好的性能。我们将特别关注两种流行的集成方法:Bagging 和随机森林。
Machine Learningscikit-learn
使用 Scikit - Learn 进行监督学习

使用 Scikit - Learn 进行监督学习

在监督学习中,我们希望了解两个数据集之间的关系:观测数据 X 和我们想要预测的外部变量 y。
Machine Learningscikit-learn
高斯过程回归与分类

高斯过程回归与分类

在本实验中,我们将探索高斯过程(GP),这是一种用于回归和概率分类问题的监督学习方法。高斯过程用途广泛,能够对观测值进行插值、提供概率预测,并处理不同类型的核。在本实验中,我们将重点使用 scikit-learn 库进行高斯过程回归(GPR)和高斯过程分类(GPC)。
Machine Learningscikit-learn
朴素贝叶斯示例

朴素贝叶斯示例

在本实验中,我们将介绍一个在 Python 中使用 scikit-learn 库中的朴素贝叶斯分类器的示例。朴素贝叶斯分类器是一组常用于分类任务的监督学习算法。这些分类器基于应用贝叶斯定理,并假设在给定类别变量值的情况下,每对特征之间具有条件独立性。
Machine Learningscikit-learn
模型选择:选择估计器及其参数

模型选择:选择估计器及其参数

在机器学习中,模型选择是为给定数据集选择最佳模型的过程。它涉及选择合适的估计器并调整其参数以实现最佳性能。本教程将指导你完成在 scikit-learn 中进行模型选择的过程。
Machine Learningscikit-learn
使用 Scikit-Learn 进行特征选择

使用 Scikit-Learn 进行特征选择

特征选择是机器学习中的重要一步。它包括从数据集中选择最相关的特征,以提高模型的准确性和性能。在 Scikit-Learn 中,sklearn.feature_selection 模块提供了各种特征选择和降维方法。
Machine Learningscikit-learn
使用保序回归进行非线性回归

使用保序回归进行非线性回归

在本实验中,我们将使用 scikit-learn 探索保序回归。保序回归是一种将非递减函数拟合到一维数据的技术。当你拥有的数据不满足回归模型中的线性假设时,它很有用。
Machine Learningscikit-learn
实现随机梯度下降

实现随机梯度下降

随机梯度下降(SGD)是机器学习中一种常用的优化算法。它是梯度下降算法的一种变体,在每次迭代时使用训练数据的随机子集。这使得它在计算上效率很高,适合处理大型数据集。在本实验中,我们将逐步介绍如何使用 scikit-learn 在 Python 中实现 SGD。
Machine Learningscikit-learn
使用 PLS 算法进行降维

使用 PLS 算法进行降维

scikit-learn 中的 cross_decomposition 模块包含用于降维和回归的监督估计器,特别是针对偏最小二乘法(PLS)算法。这些算法通过将两个矩阵投影到低维子空间中,找到它们之间的基本关系,使得变换后的矩阵之间的协方差最大。
Machine Learningscikit-learn
  • 上一页
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • ...
  • 15
  • 下一页