【python机器学习】

python机器学习算法进阶视频教程 24课 适合进阶学习 高清课件代码全

课程介绍：机器学习是人工智能的一个分支。我们使用计算机设计一个条统，使它能够根据提供的训练数据按照一定的方式来学习；随着训练次数的增加，该条统可以在性能上不新学习和改进；通过参数优化的学习模型，能够用于预测相关问题的输出。授课时长：48小时授课环境：Python3配套资料：高清视频、课件讲义、源码课程目录：01.第一课：机器学习与数学分析02.第二课：概率论与贝叶斯先验03.第三课：矩阵和线性代数
花心五花肉·2024-01-24 02:45

spdlog库学习（五）：其他小功能

系列文章目录提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加例如：第一章Python机器学习入门之pandas的使用提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录系列文章目录周期刷新周期性执行的实现
树不懒·2024-01-21 00:37

【Python机器学习】多分类问题的不确定度

decision_function和predict_proba也适用于多分类问题。还是以鸢尾花数据集为例：fromsklearn.ensembleimportGradientBoostingClassifierfromsklearn.datasetsimportmake_circles,load_irisimportnumpyasnpfromsklearn.model_selectionimpor
zhangbin_237·2024-01-19 21:44

【Python机器学习】无监督学习（理论知识）

无监督学习包括没有已知输出、没有“老师指导”学习算法的各种机器学习。在无监督学习中，学习算法只有输入数据，并需要从这些数据中提取知识。数据集的无监督变换是创建数据新的表示的算法，与数据的原始表示相比，新的表示可能更容易被人或其他机器学习算法所理解。无监督变换的一个常见应用是降维，它接受包括许多特征的数据的高维表示，并找到表示该数据的一种新方法，用较少的特征就可以概括其重要特征。降维的一个常见应用是
zhangbin_237·2024-01-19 21:44

python期末:常见模块的使用及计算生态

第5章常见模块的使用及计算生态1.Python机器学习方向的第三方库是（）。A.PILB.PyQt5C.TensorFlowD.random2.以下选项中，Python机器学习方向的第三方库是（）。
illusionbigdata·2024-01-19 16:11

python机器学习——分类模型评估 & 分类算法（k近邻，朴素贝叶斯，决策树，随机森林，逻辑回归，svm）

目录分类模型的评估模型优化与选择1.交叉验证2.网格搜索【分类】K近邻算法【分类】朴素贝叶斯——文本分类实例：新闻数据分类【分类】决策树和随机森林1.决策树2.决策树的算法3.代码实现实例：泰坦尼克号预测生死【集成学习】随机森林1.集成学习2.随机森林3.学习算法4.代码实现5.优点【分类】逻辑回归——二分类实例：良／恶性乳腺癌肿数据【分类】SVM模型分类模型的评估模型优化与选择1.交叉验证交叉验
Perley620·2024-01-17 10:59

【Python机器学习系列】拟合和回归傻傻分不清？一文带你彻底搞懂它

一、拟合和回归的区别拟合并不特指某一种方法，指的是对一些数据，按其规律方程化，比如把平面（一元）上一系列的离散点，用一条直线（线性）或光滑的曲线（非线性）连接起来，而其方程化的方法有很多，回归分析（regressionanalysis）指的是确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法，是其中一种最常见的拟合方法，还有指数平滑这样简单一些的方法，或者ARIMA，VAR，等等各种复杂
数据杂坛·2024-01-16 16:59

资深程序员骆昊：Python从新手到大师，100天完整学习路线

Python入门的问题，我推荐这个学习路线资料，可能你们有些已经在使用它，的确它是我见过最全的、最富有逻辑体系的Python技术栈总结，含有Python基础语法、前端、后端、Python做数据分析、数据挖掘，Python
算法channel·2024-01-15 18:10

文章测试测试

系列文章目录提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加例如：第一章Python机器学习入门之pandas的使用提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录系列文章目录前言一
青山渺渺·2024-01-15 00:03

sklearn快速实现python机器学习算法

sklearn又写作scikit-learn基于python的高效机器学习算法应用，开源机器学习工具包官网，里面有全英的教程和示例工程应用中，自己使用python从头实现一个算法耗时耗力，还难以保证架构清晰、稳定性强基本流程：实例化、fit训练模型、score测试模型fromsklearnimporttreeclf=tree.DecisionTreeClassifier()#实例化clf=clf.
阿航626·2024-01-14 09:52

【Python机器学习】深度学习——调参

先用MLPClassifier应用到two_moons数据集上：fromsklearn.neural_networkimportMLPClassifierfromsklearn.datasetsimportmake_moonsfromsklearn.model_selectionimporttrain_test_splitimportmglearnimportmatplotlib.pyplotas
zhangbin_237·2024-01-13 12:05

师傅带练|在线实习项目，提供实习证明

八大项目：某实习网站招聘信息采集与分析（Python数据采集与分析）股票价格形态聚类与收益分析（Python金融分析）某平台网络入侵用户自动识别（Python机器学习）某平台广东省区采购数据分析（Excel
泰迪智能科技·2024-01-12 19:11

Python机器学习/深度学习入门-基础类型1

1.基础类型1.1.数值类型Python支持以下数值、标量类型：integer-整型Float-浮点型Complex-复合体Booleans-布尔值因此，Python可以用基本算术运算+、-、*、/、%（取模）来替代袖珍计算器类型装换：1.2容器Python提供了许多有效的容器类型，其中可以存储对象集合List-列表列表是对象的有序集合，它们可能具有不同的类型。索引：访问列表中包含的各个对象：从负
子虚先生√·2024-01-12 17:38

【Python机器学习】深度学习——一些理论知识

深度学习在很多机器学习应用中都有巨大的潜力，但深度学习算法往往经过精确调整，只适用于特定的使用场景。先学习一些简单的方法，比如用于分类和回归的多层感知机（MLP），它可以作为研究更复杂的深度学习方法的起点。MPL也被称为（普通）前馈神经网络，有时也简称为神经网络。MLP可以被视为广义的线性模型，执行多层处理后得到的结论。将线性模型的公式可视化：importmglearnimportmatplotl
zhangbin_237·2024-01-12 14:01

【Python机器学习】决策树集成——梯度提升回归树

理论知识：梯度提升回归树通过合并多个决策树来构建一个更为强大的模型。虽然名字里有“回归”，但这个模型既能用于回归，也能用于分类。与随机森林方法不同，梯度提升采用连续的方式构造树，每棵树都试图纠正前一棵树的错误。默认情况下，梯度提升回归树中没有随机化，而是用到了强预剪枝。梯度提升树通常使用深度很小（1-5之间），这样的模型占用内存小，预测速度也更快。梯度提升背后的主要思想是合并许多简单的模型（弱学习
zhangbin_237·2024-01-12 14:27

1 yolo v5 anli

yolov5anli提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加例如：第一章Python机器学习入门之pandas的使用提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录
Chance Z·2024-01-12 10:33

【Python机器学习】SVM——预处理数据

为了解决特征特征数量级差异过大，导致的模型过拟合问题，有一种方法就是对每个特征进行缩放，使其大致处于同一范围。核SVM常用的缩放方法是将所有的特征缩放到0和1之间。“人工”处理方法：importmatplotlib.pyplotaspltfromsklearn.datasetsimportload_breast_cancerfromsklearn.model_selectionimporttrai
zhangbin_237·2024-01-12 09:05

【Python机器学习】SVM的优缺点

核支持向量机是非常强大的模型，SVM允许决策边界很复杂，即使数据只有几个特征。它在低维数据和高维数据上的表现都很好，但对样本个数的缩放表现不好。在有多大10000个样本的数据上运行SVM可能表现良好，但更高数量级的数据上，在运行时间和内存使用方面可能面临调整。SVM的另一个缺点是预处理数据和调参都要非常小心，而且SVM模型很难检查，可能很难理解为什么这么预测。SVM的重要参数是C、核的选择以及核的
zhangbin_237·2024-01-12 09:05

【Python机器学习】SVM——一些理论知识

向数据中添加非线性特征，可以让线性模型变得强大，但是通常来说我们不知道要添加哪些特征，而且添加许多特征的计算开销会很大。有一种技巧可以在更高维度中学习分类器，而不用实际计算可能非常大的新的数据表示，这种技巧叫做核技巧，它的原理是直接计算扩展特征表示中数据点的距离（内积），而不用实际对扩展进行计算。对于支持向量机，将数据映射到更高维空间中有两种办法：一种是多项式核，在一定阶数内计算原始特征的所有可能
zhangbin_237·2024-01-12 09:35

【Python机器学习】SVM——调参

下面是支持向量机一个二维二分类数据集的训练结果：importmglearnimportmatplotlib.pyplotaspltfromsklearn.svmimportSVCplt.rcParams['font.sans-serif']=['SimHei']plt.rcParams['axes.unicode_minus']=FalseX,y=mglearn.tools.make_handcr
zhangbin_237·2024-01-12 09:31

Python机器学习库之orange3使用详解

概要数据科学和机器学习是当今科技领域的重要组成部分，而数据分析和建模通常是其中的关键步骤。PythonOrange3是一个功能强大且易于使用的开源工具，它结合了数据可视化、数据分析和机器学习，为数据科学家和分析师提供了一个全面的平台。本文将深入介绍PythonOrange3，包括其基本概念、安装方法、示例代码以及一些高级用法，以帮助大家掌握这一强大的数据科学工具。什么是PythonOrange3？
Rocky006·2024-01-11 21:43

【Python机器学习】SVM——线性模型与非线性特征

SVM（核支持向量机）是一种监督学习模型，是可以推广到更复杂模型的扩展，这些模型无法被输入空间的超平面定义。线模型在低维空间中可能非常受限，因为线和平面的灵活性有限，但是有一种方式可以让线性模型更加灵活，那就是添加更多特征，比如输入特征的交互式或多项式。以下面的数据集为例：fromsklearn.datasetsimportmake_blobsimportmglearnimportmatplotl
zhangbin_237·2024-01-11 11:31

【Python机器学习】线性模型——用于回归的线性模型

对于回归问题，线性模型预测的一般公式为：y=w[0]*x[0]+w[1]*x[1]+…………+w[p]*x[p]+b这里的x[0]到x[p]表示的事单个数据点的特征，w和b是学习模型的参数，y是模型的预测结果。对于单一特征的数据集，公式：y=w[0]*x[0]+b这里的w[0]是斜率，b是y轴偏移。对于有更多特征的数据集，w包含沿每个特征坐标轴的斜率。importmglearn.datasetsi
zhangbin_237·2024-01-10 16:48

Agisoft Metashape 基于影像的外部点云着色

AgisoftMetashape基于影像的外部点云着色提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加例如：第一章Python机器学习入门之pandas的使用提示：写完文章后，目录可以自动生成
小喜头鱼·2024-01-10 07:04

【Python机器学习】用于回归的决策树

用于回归的决策树与用于分类的决策树类似，在DecisionTreeRegressor中实现。DecisionTreeRegressor不能外推，也不能在训练数据范围之外的数据进行预测。利用计算机内存历史及格的数据进行实验，数据展示：importpandasaspdimportmatplotlib.pyplotaspltplt.rcParams['font.sans-serif']=['SimHei
zhangbin_237·2024-01-10 06:10

【Python机器学习】决策树——树的特征重要性

利用一些有用的属性来总结树的工作原理，其中最常用的事特征重要性，它为每个特征树的决策的重要性进行排序。对于每个特征来说，它都是介于0到1之间的数字，其中0代表“根本没有用到”，1代表“完美预测目标值”。特征重要性的求和为1。将特征重要性进行可视化：importmglearn.datasetsimportnumpyasnpfromsklearn.treeimportDecisionTreeClass
zhangbin_237·2024-01-10 06:40

【Python机器学习】决策树的优缺点

控制决策树模型复杂度的参数是预剪枝参数，它在树完全展开之前停止树的构造。决策树的优点：1、得到的模型很容易可视化2、算法完全不受数据缩放的影响决策树算法不需要特征预处理，比如归一化或标准化。特别是特征的尺度完全不一样时或二元特征和连续特征同时存在时，决策树的效果很好。决策树的缺点是，即使做了预剪枝，它也经常过拟合，泛化性能很差，所以大多数应用中，往往使用集成方法来替代单颗决策树。
zhangbin_237·2024-01-10 06:40

【Python机器学习】决策树集成——随机森林

理论知识：集成是合并多个机器学习模型来构建更强大模型法方法。随机森林本质上是许多决策树的集合，其中每棵树都和其他数略有不同，随机森林背后的思想是：每棵树的预测可能都比较好，但是可能对部分数据过拟合，如果构造很多树，并且每棵预测的都很好，但都以不同的方式过拟合，那么可以对这些树的结果取平均来降低过拟合。为了实现这一策略，需要构造很多决策树。每棵树都应该对目标值做出可以接受的预测，还应该与其他树不同。
zhangbin_237·2024-01-10 06:33

【Python机器学习】构造决策树

通常来说，构造决策树直到所有叶结点都是纯的叶结点，但这会导致模型非常复杂，并且对于训练数据高度过拟合。为了防止过拟合，有两种常见策略：1、尽早停止树的生长，也叫预剪枝2、先构造树，但随后删除或折叠信息量很少的结点，也叫后剪枝。预剪枝的限制条件可能包含限制树的最大深度、限制叶结点的最大数目、规定一个结点中数据点的最小数目。如果不防止过拟合：fromsklearn.treeimportDecision
zhangbin_237·2024-01-09 08:28

【Python机器学习】理论知识：决策树

决策树是广泛用于分类和回归任务的模型，本质上是从一层层if/else问题中进行学习，并得出结论。这些问题类似于“是不是”中可能问到的问题。决策树的每个结点代表一个问题或一个包含答案的终结点（叶结点）。树的边奖问题的答案与将问的下一个问题连接起来。用机器学习的语言来说，，为了得到预测结果，利用多个特征构建一个模型，可以利用监督学习从数据中学习模型，而不需要人为构建模型。学习决策树，就是学习一系列if
zhangbin_237·2024-01-08 19:35

基于python的贝叶斯分类算法预测_python机器学习：朴素贝叶斯分类算法

大数据挖掘DT机器学习公众号：datayx贝叶斯分类是一类分类算法的总称，这类算法均以贝叶斯定理为基础，故统称为贝叶斯分类。而朴素朴素贝叶斯分类是贝叶斯分类中最简单，也是常见的一种分类方法。这篇文章我尽可能用直白的话语总结一下。1分类问题综述对于分类问题，其实谁都不会陌生，日常生活中我们每天都进行着分类过程。例如，当你看到一个人，你的脑子下意识判断他是学生还是社会上的人；你可能经常会走在路上对身旁
Puzzle Cosmo·2024-01-08 09:10

【Python机器学习】朴素贝叶斯分类器

朴素贝叶斯分类器是与线性模型非常相似的一种分类器，它的训练速度往往更快，但是泛化能力比线性分类器稍差。朴素贝叶斯分类器高效的原因是：通过单独查看每个特征来学习参数，并从每个特征中收集简单的类别统计数据。scikit-learn中实现了3中朴素贝叶斯分类器：GaussianNB、BernoulliNB、MultinomialNB。GaussianNB可用于任意连续数据，BernoulliNB假定输入
zhangbin_237·2024-01-07 19:53

【Python机器学习】线性模型——用于二分类的线性模型

线性模型也广泛用于分类问题，对于二分类问题，可以用以下公式进行预测：y=w[0]*x[0]+w[1]*x[1]+…………+w[p]*x[p]+b>0公式与现行回归的公式非常类似，但没有返回特征的加权求和，而是为预测设置了阈值。如果函数值小于0，就预测类别-1，否则预测类别+1。对于用于回归的线性模型，输出y是特征的线性函数，是直线、平面或者超平面。对于用于分类的线性模型，决策边界是输入的线性函数。
zhangbin_237·2024-01-07 19:23

【Python机器学习】线性模型的优缺点

线性模型的主要参数是正则化参数。在回归模型里是alpha，在一些分类模型里是C。alpha越大或C越小，说明模型越简单，通常在对数尺度上对alpha和C进行调节。除了正则化参数，还需要确定是L1正则化还是L2正则化，如果只有几个特征是重要的，应该用L1正则化，否则用L2正则化。线性模型的训练速度非常快，预测速度也很快。这类模型可以推广到非常大的数据集，对稀疏数据也有效。线性模型的另一个优点是：利用
zhangbin_237·2024-01-07 19:52

【Python机器学习】线性模型——用于多分类的线性模型

很多线性分类模型只使用与二分类问题，将二分类算法推广到多分类算法的一种常见方法是“一对其余”方法。在“一对其余”方法中，对每个类别都学习一个二分类模型，将这个类别和其他类别尽量区分，这样就生成了与类别数相同的二分类模型数。在测试点上运行所有分类器进行预测，在对应类别上分数最高的分类器“胜出”，将这个类别标签范围作为预测结果。多分类Logistics回归背后的数学与“一对其余”方法稍有不同，但也是对
zhangbin_237·2024-01-07 19:20

【Python机器学习】基于随机森林全球经济危机预测

一、引言全球经济危机是一个复杂的问题，受到多种因素的影响，如金融市场、政策环境、地缘政治等。预测经济危机对于政策制定者、投资者和企业来说至关重要，因为它可以帮助他们提前做出应对措施，减少潜在的损失。然而，准确预测经济危机是一项具有挑战性的任务，因为涉及到的数据量大、变量多，且各因素之间的相互作用难以捉摸。近年来，机器学习和人工智能的迅速发展为解决这一问题提供了新的思路。随机森林作为一种强大的集成学
Zouia Gail(修行中)·2024-01-07 16:20

八大在线项目实习 2024年第一期即将开班

八大项目：某实习网站招聘信息采集与分析（Python数据采集与分析）股票价格形态聚类与收益分析（Python金融分析）某平台网络入侵用户自动识别（Python机器学习）某平台广东省区采购数据分析（Excel
泰迪智能科技·2024-01-07 01:14

GIS在地质灾害危险性评估与灾后重建中的实践技术应用及python机器学习灾害易发性评价模型建立与优化

地质灾害是指全球地壳自然地质演化过程中，由于地球内动力、外动力或者人为地质动力作用下导致的自然地质和人类的自然灾害突发事件。由于降水、地震等自然作用下，地质灾害在世界范围内频繁发生。我国除滑坡灾害外，还包括崩塌、泥石流、地面沉降等各种地质灾害，具有类型多样、分布广泛、危害性大的特点。地质灾害危险性评价着重于根据多种影响因素和区域选择来评估在某个区域中某个阶段发生的地质灾害程度。以此预测和分析未来某
Mr.靳靳477302280·2024-01-07 00:55

【Python机器学习】对二维数据集的决策边界

对于二维数据集，可以在xy平面上画出所有可能的测试点的预测结果，根据平面中的每个点所属的类别对平面进行角色，可以查看决策边界，也就是算法对类别0和类别1的分界线。对1、3、9个邻居三种情况的决策边界可视化：importmglearn.datasetsimportnumpyasnpfromsklearn.datasetsimportload_irisfromsklearn.model_selecti
zhangbin_237·2024-01-05 23:30

【Python机器学习】k近邻——模型复杂度与泛化能力的关系

以某数据进行研究，先将数据集分为训练集和测试集，然后用不同的邻居数对训练集合测试集的新能进行评估：fromsklearn.datasetsimportload_breast_cancerfromsklearn.model_selectionimporttrain_test_splitfromsklearn.neighborsimportKNeighborsClassifierimportmatpl
zhangbin_237·2024-01-05 23:30

【Python机器学习】k近邻——k近邻回归

k近邻算法还可以用于回归任务，如果单一近邻，预测结果就是最近邻的目标值，使用多个近邻时，预测结果为这些邻居的平均值。用于回归的k近邻算法在scikit-learn的KNeighborsRegressor类中实现。importmglearn.datasetsfromsklearn.model_selectionimporttrain_test_splitfromsklearn.neighborsim
zhangbin_237·2024-01-05 23:30

【Python机器学习】k近邻的优缺点

neighbors分类器有两个重要参数：邻居个数和数据点之间距离的度量方法。实践中使用较小的邻居个数（3、5个）往往可以取到比较好的结果。k-NN的优点是易于理解，通常不需要过多调节就可以得到不错的性能，构建模型的速度通常很快，但是如果训练集很大，预测速度可能会比较慢。缺点包括：对于有很多特征的数据集往往效果不好，对于大多数特征的大多数取值为0的数据集（也就是所谓的稀疏数据集）尤为不好，是实践中往
zhangbin_237·2024-01-05 22:54

【Python机器学习系列】建立逻辑回归模型预测心脏疾病（完整实现过程）

一文彻底搞懂机器学习中的归一化与反归一化问题【Python机器学习系列】一文彻底搞懂机器学习中表格数据的输入形式（理论+源码）【Python特征工程系列】利用随机森林模型
数据杂坛·2024-01-05 12:22

【Python机器学习系列】建立支持向量机模型预测心脏疾病（完整实现过程）

一文彻底搞懂机器学习中的归一化与反归一化问题【Python机器学习系列】一文彻底搞懂机器学习中表格数据的输入形式（理论+源码）【Python特征工程系列】利用随机森林模型
数据杂坛·2024-01-05 12:47

【Python机器学习】评估模型

以鸢尾花数据为例，将测试数据中的每朵鸢尾花进行预测，并将预测结果与已知标签结果进行对比，可以计算精度来衡量模型的优劣。精度就是品种预测正确的结果占比。importnumpyasnpfromsklearn.datasetsimportload_irisfromsklearn.model_selectionimporttrain_test_splitfromsklearn.neighborsimpor
zhangbin_237·2024-01-05 03:24

【Python机器学习】理论知识：分类与回归

监督机器学习问题主要有两种：分类、回归。分类问题的目标是类别标签，这些标签主要是来自于预定义的可选列表。分类问题有时可分为二分类（两个类别之间进行区分）和多分类（两个以上的类别之间进行区分），二分类是尝试回答是/否问题，二分类问题中，通常将类别称为正分类、反分类，这里的“正”不代表好的方面或者正数，只是代表研究对象，往往是主观判断，与具体的领域有关。回归任务的目标是预测一个连续值（浮点数/实数）。
zhangbin_237·2024-01-05 03:24

【Python机器学习】理论知识：泛化、过拟合、欠拟合

在监督学习中，想要在训练数据上构建模型，然后对没见过的新数据做出准确预测，如果一个模型能够对没见过的数据做出准确预测，我们就说它可以从训练集泛化到测试集。判断一个算法在新数据上表现好坏的唯一度量，就是在测试集上的评估。如果构建了一个对于现有数据量来说过于复杂的模型，这被称为过拟合。如果模型过于简单，不能抓住数据的全部内容以及数据中的变化，甚至在训练集上的表现就很差，就被称为欠拟合。模型越复杂，在训
zhangbin_237·2024-01-05 03:24

【Python机器学习】k近邻——k近邻分类

k-NN算法最简单的版本是只考虑一个最近邻，也就是想要预测的数据点最近的训练数据点，预测结果就是这个训练数据点的已知输出。除了仅考虑最近邻，还可以考虑任意（k个）邻居，这也是k近邻算法名字的由来。在考虑多余一个邻居的情况时，用‘投票法’来制定标签，也就是对于每个测试点，计算多少个邻居属于类别0、多少个属于类别1，然后将次数更多的类别作为预测结果。importmglearn.datasetsimpo
zhangbin_237·2024-01-05 03:47

【CSDN软件工程师能力认证学习精选】python机器学习手写算法系列——线性回归

CSDN软件工程师能力认证（以下简称C系列认证）是由中国软件开发者网CSDN制定并推出的一个能力认证标准。C系列认证历经近一年的实际线下调研、考察、迭代、测试，并梳理出软件工程师开发过程中所需的各项技术技能，结合企业招聘需求和人才应聘痛点，基于公开、透明、公正的原则，甑别人才时确保真实业务场景、全部上机实操、所有过程留痕、存档不可篡改。我们每天将都会精选CSDN站内技术文章供大家学习，帮助大家系统
高校俱乐部·2024-01-04 01:28

【Python机器学习】鸢尾花分类——鸢尾花数据集

背景：鸢尾花会有3种分类（setosa、versicolor、virginica），对于测量数据，可以确定每朵鸢尾花所属的品种，目标是构建机器学习模型，从已知鸢尾花测量数据中进行学习，从而预测鸢尾花的品种。这是一个监督学习问题，要从多个选项中预测其中一个，这是一个分类问题的示例，可能的输出叫做类别，对于一个数据点来说，它的品种叫做标签。用到了鸢尾花数据集，这是机器学习和统计学中一个经典的数据集，包
zhangbin_237·2024-01-03 16:23
上一页 1 2 3 4 5 6 7 8 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他