机器学习及实践

《Python机器学习及实践》的目录简要理解+机器学习思维导图

本身对人工智能机器学习比较感兴趣，刚好又被推送了一本适合小白快速上手的书籍《Python机器学习及实践》，感觉比较适合自己，于是乎就学习了一下，并将其中的案例代码手敲了一遍，感兴趣的小伙伴可以看一下我的
Wisdom_Long·2020-07-01 14:03

《python机器学习及实践》书籍代码练习

采用线性模型对良/恶性乳腺癌肿瘤预测importnumpyasnpimportpandasaspdfromsklearn.cross_validationimporttrain_test_splitfromsklearn.preprocessingimportStandardScalerfromsklearn.linear_modelimportLogisticRegressionfromskle
zhouyelihua·2020-06-30 16:28

《Python机器学习及实践：从零开始通往Kaggle竞赛之路》第2章 基础篇 学习笔记（一）2.1.1.1线性分类器总结

目录2.1.1.1线性分类器0、引言（1）监督学习任务的基本架构和流程（2）分类学习1、模型介绍（1）线性分类器的定义（2）逻辑斯蒂函数（3）逻辑斯蒂回归模型2、数据描述（1）数据下载（2）数据描述（3）数据预处理（4）训练和测试数据3、编程实践4、性能测评5、特点分析2.1.1.1线性分类器0、引言对于每一类经典模型，都将从模型简介、数据描述、编程实践、性能测评以及特点分析5个角度分别进行阐述。
wyatt007·2020-06-29 22:57

《Python机器学习及实践：从零开始通往Kaggle竞赛之路》第2章 基础篇 学习笔记（三）2.1.1.3朴素贝叶斯总结

目录2.1.1.3朴素贝叶斯1、模型介绍（1）朴素贝叶斯的定义（2）朴素贝叶斯模型2、数据描述（1）20类新闻文本数据背景（2）20类新闻文本数据细节（3）20类新闻文本数据分割3、编程实践4、性能测评5、特点分析2.1.1.3朴素贝叶斯1、模型介绍（1）朴素贝叶斯的定义朴素贝叶斯是一个非常简单，但是实用性很强的分类模型。不过，和两个基于线性假设的模型（线性分类器和支持向量机分类器）不同，朴素贝叶
wyatt007·2020-06-29 22:57

《Python机器学习及实践：从零开始通往Kaggle竞赛之路》第2章 基础篇 学习笔记（五）2.1.1.5决策树总结

目录2.1.1.5决策树1、模型介绍2、数据描述（1）泰坦尼克号乘客数据背景（2）泰坦尼克号乘客数据查验3、编程实践4、性能测评5、特点分析2.1.1.5决策树1、模型介绍逻辑斯蒂回归和支持向量机模型，都在某种程度上要求被学习的数据特征和目标之间遵照线性假设。然而，在许多现实场景下，这种假设是不存在的。比如，如果要借由一个人的年龄来预测患流感的死亡率。如果采用线性模型假设，那么只有两种情况：年龄越
wyatt007·2020-06-29 22:25

《Python机器学习及实践：从零开始通往Kaggle竞赛之路》第2章 基础篇 学习笔记（八）2.1.2.2支持向量机（回归）总结

目录2.1.2.2支持向量机（回归）1、模型介绍2、数据描述（1）美国波士顿地区房价数据描述（2）美国波士顿地区房价数据分割（3）美国波士顿地区房价数据标准化处理3、编程实践4、性能测评5、特点分析2.1.2.2支持向量机（回归）1、模型介绍支持向量机（回归）是从训练数据中选取一部分更加有效的支持向量，只是这少部分的训练样本所提供的并不是类别目标，而是具体的预测数值。2、数据描述（1）美国波士顿地
wyatt007·2020-06-29 22:25

《Python机器学习及实践：从零开始通往Kaggle竞赛之路》第3章 进阶篇 学习笔记（七）3.1.4.2并行搜索总结

目录3.1.4.2并行搜索1、并行搜索2、编程实践3.1.4.2并行搜索1、并行搜索尽管采用网格搜索结合交叉验证的方法，来寻找更好超参数组合的过程非常耗时；然而，一旦获取比较好的超参数组合，则可以保持一段时间使用。因此这是值得推荐并且相对一劳永逸的性能提升方法。更可喜的是，由于各个新模型在执行交叉验证的过程中间是互相独立的，所以可以充分利用多核处理器（Multicoreprocessor）甚至是分
wyatt007·2020-06-29 22:54

《Python机器学习及实践：从零开始通往Kaggle竞赛之路》第2章 基础篇 学习笔记（六）2.1.1.6集成模型（分类）总结

目录2.1.1.6集成模型（分类）1、模型介绍2、数据描述3、编程实践4、性能测评5、特点分析2.1.1.6集成模型（分类）1、模型介绍常言道：“一个篱笆三个桩，一个好汉三个帮”。集成分类模型便是综合考量多个分类器的预测结果，从而做出决策。只是这种“综合考量”的方式大体上分为两种：一种是利用相同的训练数据同时搭建多个独立的分类模型，然后通过投票的方式，以少数服从多数的原则作出最终的分类决策。比较具
wyatt007·2020-06-29 22:54

《python机器学习及实践-从零开始通往kaggle竞赛之路（代码Python 3.6 版）》chapter2.1.1.3

#从sklearn.datasets里导入新闻数据抓取器fetch_20newsgroups。fromsklearn.datasetsimportfetch_20newsgroups#与之前预存的数据不同，fetch_20newsgroups需要即时从互联网下载数据。news=fetch_20newsgroups(subset='all')#查验数据规模和细节。print(len(news.dat
张天下·2020-06-28 20:21

《python机器学习及实践-从零开始通往kaggle竞赛之路（代码Python 3.6 版）》chapter2.1.1.2

#从sklearn.datasets里导入手写体数字加载器。fromsklearn.datasetsimportload_digits#从通过数据加载器获得手写体数字的数码图像数据并储存在digits变量中。digits=load_digits()#检视数据规模和特征维度。digits.data.shape#从sklearn.cross_validation中导入train_test_split用
张天下·2020-06-28 20:21

《python机器学习及实践-从零开始通往kaggle竞赛之路（代码Python 3.6 版）》chapter1.1

本博客代码是对书《python机器学习及实践-从零开始通往kaggle竞赛之路》，基于Python3.6的实现，并且使用的所需的库是最新的（2017/12/8）。
张天下·2020-06-28 20:21

重回机器学习-《python机器学习及实践》读书笔记一

以前也算比较系统接触过机器学习吧，记得最早的时候是大二，机器学习才刚开始提起，更多的是说统计学习。那个时候，深度学习似乎都还没有听过，看的第一本书也是一本外国人写的，一直拿鸢尾花数据集当例子的书。当时看完也没觉得什么，毕竟年轻，何况那个时候很多东西就是觉得好奇好玩而去学一下。后来也慢慢接触到，也编程实践过，不过一直都不怎么成体系。最近觉得，还是得再跟一下潮流，所以还是赶紧学习吧。《python机器
钱塘小甲子·2020-06-26 04:57

重回机器学习-《python机器学习及实践》读书笔记二

一.三个率机器学习模型训练好之后，会在样本外进行测试，然后我们可以得到三个“率”：准确率召回率精确率其实这些也没有什么大不了的，大家如果学习过基本的统计学的话就会知道，这就是所谓的一类错误、二类错误的一个变体。首先是准确率，这个最好理解，就是你的模型在样本外测试中正确的次数。当然，我们讨论的前提都是一个二分类问题。这三个“率”是这么定义的：这就是书中的公式，Accuracy就不说了。召回率比较有意
钱塘小甲子·2020-06-26 04:57

Python机器学习及实践从零开始通往Kaggle竞赛之路之第三章 实践篇

本章主要介绍的内容有：如何对数据集进行预处理，如何提取真实数据的特征、如何使用自动寻找模型中参数的最优解、选择数据集中的特征分成两步：第一步特征抽取，也即是将数据集中的样本数据转化成对应的向量。第二步特征筛选，可以人为的进行特征筛选，也可使用sklearn中自带函数自动选择样本中重要的特征。本节使用朴素贝叶斯模型预测20news新闻数据集类别，其中使用CountVectorizer和TfidfVe
YYLin-AI·2020-06-25 21:18

Python机器学习及实践（一、分类学习——决策树 随机森林 梯度提升决策树）

Python机器学习及实践（一、分类学习——决策树随机森林梯度提升决策树）决策树分类简介集成模型分类简介代码及注释输入：#决策树随机森林梯度提升决策树importpandasaspdtitanic=pd.read_csv
\ (•◡•) /Carry_You·2020-06-25 19:44

python 机器学习及实践 ——从零开始通往Kaggle竞赛之路学习笔记（一）

#2.1.1分类学习##2.1.1.1线性分类器(LinearClassifier)数据下载：导入pandas,numpy包，创建特征列表，使用pandas.read_csv读取数据#数据描述：原始数据样本由699条样本，每个样本有11列不同的数值，1列用于检索ID，9列与肿瘤相关的医学特征，以及一列表示肿瘤类型的数值，数据同时有16个缺失值，用？表示数据预处理：将数据中？替换为标准缺失值表示，丢
那时朱丽叶十四岁·2020-06-25 12:36

Python机器学习及实践一：简介篇

1。机器学习综述：机器学习系统所解决的都是无法直接使用固定规则或者流程代码完成的问题。所谓具备“学习”能力的程序都是指它能够不断地从经历和数据中吸取经验教训，从而应对未来的预测任务。我们习惯地把这种对未知的预测能力叫做泛化力。该书侧重2个基础方面:监督学习和无监督学习。============监督学习包括：回归和分类。回归是指：是预测问题，只是预测的目标往往是连续变量。比如，根据房屋的面积、地理位
furuit·2020-06-23 09:41

Python机器学习及实践——基础篇3（SVM）

图中有三种颜色的线，用来划分这两种类别的训练样本。其中绿色直线H1在这些训练样本上表现不佳，本身就带有分类错误；蓝色直线H2和红色直线H3如果作为这个二分类问题的线性分类模型，在训练集上的表现都是完美的。然而，由于这些分类模型最终都是要应用在未知分布的测试数据上，因此我们更加关注如何最大限度地为未知分布的数据提供足够的待预测空间。比如如果有一个黑色样本稍稍向右偏离橙色直线，那么这个黑色样本很有可能
Lenskit·2020-06-22 21:28

Python机器学习及实践——基础篇12（集成模型）

在之前的集成模型（分类）中，探讨过集成模型的大致类型和优势。本篇除了继续使用普通随机森林和提升树模型的回归器版本外，还要补充介绍随机森林模型的另一个变种：极端随机森林。与普通的随机森林模型不同的是，极端随机森林在每当构建一棵树的分裂节点的时候，不会任意地选取特征；而是先随机收集一部分特征，然后利用信息熵和基尼不纯性等指标调休最佳的节点特征。本篇使用sklearn中三种集成回归模型，即RandomF
Lenskit·2020-06-22 21:28

Python机器学习及实践——基础篇1

机器学习中监督学习模型的任务重点在于，根据已有经验知识对未知样本的目标/标记进行预测。根据目标预测变量的类型不同，我们把监督学习任务大体分为分类学习与回归预测两类。整理一下监督学习任务的基本架构和流程：首先准备训练数据，可以是文本、图像、音频等；然后抽取所需要的特征，形成特征向量；接着，把这些特征向量连同对应的标记/目标一并送入学习算法中，训练出一个预测模型；然后采用同样的特征抽取方法作用于新测试
Lenskit·2020-06-22 21:27

Python机器学习与实践——简介篇

开个坑，记录和分享一下学习内容（书籍为《python机器学习及实践》）。作为第一篇简介篇，先以介绍为主。
Lenskit·2020-06-22 21:27

Python机器学习及实践——简介篇

机器学习简介篇1、机器学习总述1.1任务(Task)1.1.1监督学习(SupervisedLearning)1.1.2无监督学习(UnsupervisedLearning)1.1.3强化学习1.2经验(Experience)1.3性能(Performance)2、Python编程库2.1为什么要用Python2.2Python机器学习的优势3、Python环境配置3.1Windows系统环境3.
繁华落尽心伤·2020-06-22 10:43

读书笔记 - Python机器学习及实践 —— 从零开始通往Kaggle竞赛之路

第1章简介篇1.1机器学习综述机器学习系统具备如下特点：>许多机器学习系统所解决的都是无法直接使用固定规则或者流程代码完成的问题，通常这类问题对人类而言却很简单。比如，计算机和手机中的计算器程序就是不属于具备智能的系统，因为里面的计算方法都有很清楚而且固定的规程；但是，如果要求一台机器去辨别一张相片中都有那些人或者物体，这对我们人类来讲非常容易，然而机器却非常难做到。>所谓具备“学习”能力的程序都
Islotus·2020-06-21 22:01

【Python机器学习及实践】进阶篇：模型实用技巧（模型检验与超参数搜索）

Python机器学习及实践——进阶篇：模型实用技巧（模型检验与超参数搜索）1.模型检验在真正实践机器学习任务的时候，我们并不可能直到正确答案。
游骑小兵·2020-06-21 16:55

《Python机器学习及实践：从零开始通往Kaggle竞赛之路》第2章 基础篇 学习笔记（七）2.1.2.1线性回归器总结

目录2.1.2.1线性回归器总结0、引言1、模型介绍2、数据描述（1）美国波士顿地区房价数据描述（2）美国波士顿地区房价数据分割（3）美国波士顿地区房价数据标准化处理3、编程实践4、性能测评5、特点分析2.1.2.1线性回归器总结0、引言回归问题和分类问题的区别在于：其待预测的目标是连续变量，比如：价格、降水量等等。这里不会对回归问题的应用场景进行横向扩展；而是只针对一个“美国波士顿地区房价预测”
wyatt007·2020-06-21 14:33

Python机器学习及实践——简介篇3（逻辑回归）

前面两篇都是介绍性的文字，这篇详细介绍完整的“良/恶性乳腺癌肿瘤预测”问题的Python源代码。根据前两篇的描述，大家可以确定“良/恶性乳腺癌肿瘤预测”的问题属于二分类任务。待预测的类别分别是良性乳腺癌肿瘤和恶性乳腺癌肿瘤。通常我们使用离散的整数来代表类别。如下表，“肿瘤类型”一列列出了肿瘤的类型；0代表良性，1代表恶性。肿块厚度细胞尺寸肿瘤类型肿块厚度细胞尺寸肿瘤类型01103880144041
Lenskit·2020-06-21 00:17

Logistic分类实战

Logistic分类是一种很经典的线性分类器，现在参考《机器学习及实践》使用它来练习一下。
lzp12138·2020-04-13 16:02

《python机器学习及实践_从零开始通往kaggle竞赛之路》——读书笔记

一、简介1、什么是机器学习AprogramcanbesaidtolearnfromexperienceEwithrespecttosomeclassoftasksTandperformancemeasureP,ifitsperformanceattasksinT,asmeasuredbyP,improveswithexperienceE.2、机器学习三要素2.1任务T机器学习任务种类有很多，比较经
じんじん·2020-04-12 08:14

ML学习笔记（1）——机器学习基础

《python机器学习及实践》范淼、李超，清华大学出版社。1.定义机器学习的定义2.基本概念基本概念3.分类算法分类4.基本流程（监督学习）监督学习的基本流程
尘中之光·2020-02-18 17:51

Python机器学习及实践 课后小题

目录第二章2.3章末小结@(Python机器学习及实践-----从零开始通往Kaggle竞赛之路)第二章2.3章末小结1机器学习模型按照使用的数据类型，可分为监督学习和无监督学习两大类。
BITChase·2020-02-09 15:00

Python机器学习及实践——进阶篇6（超参数搜索）

前面所提到的模型配置，我们一般统称为模型的超参数，如K近邻算法中的K值支持向量机中不同的和函数等。多数情况下，超参数的选择是无限的。因此在有限的时间内，除了可以验证人工预设几种超参数组合以外，也可以通过启发式的搜索方法对超参数组合进行调优。我们称这种启发式的超参数搜索方法为网格搜索。同时由于超参数的的验证过程之间彼此独立，因此为并行计算提供了可能。网格搜索：由于超参数的空间是无尽的，因此超参数的组
Lenskit·2019-08-18 19:50

Python机器学习及实践——进阶篇5（模型检验）

前面时不时提到模型检验或者交叉验证等词汇，特别是在对不同模型的配置，不同的特征组合，在相同的数据和任务下进行评价的时候。究其原因是因为仅仅使用默认配置的模型与不经处理的数据特征，在大多数任务下是无法得到最佳性能表现的。因此在最终交由测试集进行性能评估之前，我们希望可以利用手头现有的数据对模型进行调优，甚至可以粗略地估计测试结果。这里需要强调的是，前面所使用的测试数据是由原始数据中采样而来，并且多数
Lenskit·2019-08-18 18:02

【Python机器学习及实践】进阶篇：Tensorflow框架

Python机器学习及实践——进阶篇：Tensorflow框架Tensorflow内部有自己所定义的常量、变量、数据操作等要素。
游骑小兵·2019-07-27 15:12

【Python机器学习及实践】进阶篇：流行库/模型实践

Python机器学习及实践——进阶篇：流行库/模型实践1.自然语言处理包（NLTK）使用词袋法（Bag-of-Words）对示例文本进行特征向量化#使用词袋法对示例文本进行特征向量化sent1='Thecatiswalkinginthebedroom
游骑小兵·2019-07-26 00:27

【Python机器学习及实践】进阶篇：模型实用技巧（特征提升）

Python机器学习及实践——进阶篇：模型实用技巧（特征提升）所谓特征抽取，就是逐条将原始数据转化为特征向量的形式，这个过程同时涉及对数据特征的量化表示；而特征筛选则进一步，在高维度、已量化的特征向量中选择对指定任务更有效的特征组合
游骑小兵·2019-07-23 23:30

【Python机器学习及实践】基础篇：无监督学习经典模型（特征降维）

Python机器学习及实践——基础篇：无监督学习经典模型（特征降维）特征降维不仅可以重构有效的低维度特征向量，同时也为数据展现提供了可能。
游骑小兵·2019-07-23 20:20

【Python机器学习及实践】基础篇：无监督学习经典模型（数据聚类）

Python机器学习及实践——基础篇：无监督学习经典模型（数据聚类）无监督学习（UnsupervisiedLearning）着重于发现数据本身的分布特点。不需要对数据进行标记。
游骑小兵·2019-07-23 00:29

【Python机器学习及实践】基础篇：监督学习经典模型（分类学习）

Python机器学习及实践——基础篇：监督学习经典模型（分类学习）机器学习中监督学习模型的任务重点在于，根据已有经验知识对未知样本的目标/标记进行预测。
游骑小兵·2019-07-21 01:15

Python机器学习及实践——进阶篇4（模型正则化之L1正则&L2正则）

正则化的目的在于提高模型在未知测试数据上的泛化力，避免参数过拟合。由上一篇的例子可以看出，2次多项式回归是相对较好的模型假设。之所以出现如4次多项式那样的过拟合情景，是由于4次方项对于的系数过大，或者不为0导致。因此正则化的常见方法都是在原模型优化目标的基础上，增加对参数的惩罚项。以我们之前在线性回归器一节中介绍过的最小二乘优化目标为例，如果加入对模型的L1范数正则化，那么新的线性回归目标如下式所
Lenskit·2019-05-26 18:31

Python机器学习及实践——进阶篇3（模型正则化之欠拟合与过拟合）

一个需要记住的重要事项：任何机器学习模型在训练集上的性能表现，都不能作为其对未知测试数据预测能力的评估。这里讲详细及时什么是模型的泛化力以及如何保证模型的泛化力，一次会阐述模型复杂度与泛化力的关系以及使用L1范数正则化与L2范数正则化加强模型的泛化力，避免模型参数过拟合。所谓拟合，是指机器学习模型在训练的过程中，通过更新参数，使得模型不断契合训练集的过程。本篇将使用一个“比萨饼价格预测“的例子来说
Lenskit·2019-05-26 11:39

python机器学习及实践-第二章

1.监督学习代码importpandasaspdimportnumpyasnpcolumn_names=['Samplecodenumber','ClumpThickness','UniformityofCellSize','UniformityofCellShape','MarginalAdhesion','SingleEpithelialCellSize','BareNuclei','Blan
磕葵子·2019-03-11 13:43

python机器学习及实践-第一章

癌症预测问题代码详解读取文件importpandasaspd#pandas库有一个read_csv的函数可以读取.csv文件df_train=pd.read_csv('../Desktop/python/Datasets/Breast-Cancer/breast-cancer-train.csv')df_test=pd.read_csv('../Desktop/python/Datasets/Br
磕葵子·2019-03-02 11:00

Python机器学习及实践——无监督学习经典模型（K-means）

无监督学习着重于发现数据本身的分布特点。与监督学习不同，无监督学习不需要对数据进行标记。从功能角度讲，无监督学习模型可以帮助我们发现数据的“群落”，同时也可以寻找“离群”的样本；另外对于特征维度非常高的数据样本，我们同样可以通过无监督的学习对数据进行降维，保留最具有区分性的低纬度特征。数据聚类是无监督学习的主流应用之一，最为经典并且易用的聚类模型，要属K均值算法。该算法要求我们预先设定聚类的个数，
Lenskit·2018-11-17 19:53

python中的fit_transform()函数和transform()函数

敲《Python机器学习及实践》上的code的时候，对于数据预处理中涉及到的fit_transform()函数和transform()函数之间的区别很模糊，查阅了很多资料，这里整理一下：涉及到这两个函数的代码如下
北海尚易·2018-10-29 10:42

PYTHON机器学习及实践_从零开始通往KAGGLE竞赛之路pdf

下载地址：网盘下载内容介绍热点排行相关内容下载地址↓Python机器学习及实践面向所有对机器学习与数据挖掘的实践及竞赛感兴趣的读者，从零开始，以Python编程语言为基础，在不涉及大量数学模型与复杂编程知识的前提下
委屈任何人·2018-09-08 21:08

《机器学习及实践》学习笔记（二）

#使用sklearn.cross_valiation里的train_test_split模块用于分割数据 fromsklearn.cross_validationimporttrain_test_split #随机采样25%的数据用于预测，剩下75%用于构建训练集合 x_train,x_test,y_train,y_test=train_test_split(data[column_names[1
ninety_two·2018-08-25 00:00

[python机器学习及实践(4)]Sklearn实现决策树并用Graphviz可视化决策树

1.决策树决策树是一种机器学习的方法。决策树的生成算法有ID3,C4.5和C5.0等。决策树是一种树形结构，其中每个内部节点表示一个属性上的判断，每个分支代表一个判断结果的输出，最后每个叶节点代表一种分类结果。通过学习样本得到一个决策树，这个决策树能够对新的数据给出正确的分类。决策树的学习过程1）特征选择：从训练数据的特征中选择一个特征作为当前节点的分裂标准（特征选择的标准不同产生了不同的特征决策
youngsea·2018-07-18 16:00

1.fit_transform() 2.get_dummies 3.pd.columns 4.Python字符串格式化--format()方法

1.Python:sklearn库中数据预处理函数fit_transform()和transform()的区别敲《Python机器学习及实践》上的code的时候，对于数据预处理中涉及到的fit_transform
devcy·2018-07-18 15:45

Python机器学习及实践——基础篇8（LinerR和SGD）

回归问题与分类问题的区别在于：期待预测的目标是连续变量，比如：价格、降水量等等。与前面的介绍方式不同，这里不会对回归的应用场景进行横向扩展；而是只针对一个“美国波士顿地区房价预测”的经典回归问题进行分析，好让读者朋友对各种回归模型的性能与优缺点有一个深入的比较。前面介绍过分类的线性模型。其中为了便于将原本在实数域上的计算结果映射到（0,1）区间，引入了逻辑斯蒂函数。而在线性回归问题中，由于预测目标
Lenskit·2018-03-28 20:35

Python机器学习中的DictVectorizer（特征向量化）的使用说明

特征转换最近在看《PYTHON机器学习及实践+从零开始通往KAGGLE竞赛之路》这本书，书中采用最简单直接的方式介绍了机器学习的入门实践语句，简单介绍原理以后，就开始代码实现了。
成名在望·2018-03-26 10:56
上一页 1 2 3 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他