python机器学习开源代码

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

Arduino_UNO霍尔编码器测速（代码开源 照搬即用）

其实有很多开源代码并不能直接使用，有的库适用面很窄，亦或是有的代码实现功能极其不稳定，今天我就给大家分享一下我看了众多资料后写出的新的解决方法，希望能帮助到大家。
篱笆外的xixi·2024-01-12 09:12

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

centos系统有什么好处？

CentOS是一种基于开源代码的Linux操作系统，它有以下几个优势：1.稳定性：CentOS是一种非常稳定的操作系统，它的代码经过了严格的测试和审查，因此它非常适合作为服务器操作系统使用。
2301_78491269·2024-01-11 14:16

【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

Go语言开发IDE介绍

VisualStudioCode(VSCode)-跨平台开源代码编辑器，可通过安装Go扩展（如Microsoft的G
匠心码农·2024-01-11 06:46

RISC Zero各功能模块代码解析

1.引言开源代码见：https://github.com/risc0/risc0（C++和Rust）2.risc0-build-kernel模块risc0-build-kernel模块：用于构建kernels
mutourend·2024-01-10 21:16

RISC Zerod cargo-risczero相关模块代码解析

1.引言前序博客有：RISCZerozk-STARK证明系统代码解析RISCZero各功能模块代码解析cargo-risczero模块开源代码见：https://github.com/risc0/risc0
mutourend·2024-01-10 21:43

【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

2024年值得关注的30个开源网络安全工具

开源工具是网络安全发展的核心动力之一，除了商业安全产品中使用的大量开源代码外，网络安全行业大量网络安全框架、工具、方法、模型甚至情报都以开源方式分享和发展。
知白守黑V·2024-01-10 11:37

EDSR训练及测试教程

EDSR训练及测试教程超分重建经典算法EDSR开源代码使用教程。
加斯顿工程师·2024-01-10 09:07

Hexo+github搭建个人博客－环境搭建篇

是的，Github是一个知名的分布式版本控制系统以及开源代码库。在本次博客搭建中，也是需要大家能够具备一定的Git版本控制知识的。大家放心，后文会对必须用到的命
程序员欧阳·2024-01-10 09:46

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

开源时代：极狐GitLab如何保证软件供应链安全

根据Synopsys发布的《2021年开源安全和风险分析报告》显示，98%的样本代码库中包含开源代码，75%的样本代码库是由开源代码组成的。
极小狐·2024-01-10 03:07

基于live555实现rtsp视频直播

Live555是目前实现rtsp协议最短小精悍的开源代码，能很方便的移植到各种嵌入式系统中，而且该开源项目更新速度很快，基本每个月都有更新版本。Live555目前已经实现了基于udp和tcp的传输，
lipku·2024-01-09 13:28

【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

代码之外的功夫 第3章 准确识别痛点，高效集成服务（读书笔记）

在开源火爆的今天，考虑使用开源项目已经不是稀奇事，但是毕竟开源代码的控制权不在自己手里，在使用时难免会碰到一些问题。在使用一个服务时，应当先看看有没有其他人也在使用。
zizhazhu·2024-01-09 06:43

【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

在 PyCharm 中使用 Copilot

它使用强大的GPT-3模型版本，该模型在大量开源代码上进行训练。此外，GitHubCopilot可在不同的IDE（集成开发环境）上使用，包括PyCharmIDE。
yule.yang·2024-01-08 02:00

一文看懂开源许可证丨开源知识科普

但一个优秀的开源项目远远不止是简单的公开源代码,而是需要
云满笔记·2024-01-08 02:08

开源许可证

文章目录一、简介二、详细信息参考一、简介开源是指公开源代码，但这并不代表就是免费的。开源许可证是一种法律许可。通过它，版权拥有人明确允许，用户可以免费地使用、修改、共享版权软件。
暴风雨中的白杨·2024-01-08 02:37

一个简单的Client Base框架

开源代码Chromium可以给我们客户端的架构提供很多参考与借鉴，本文即是一个基于Chromium的mssage_loop事件机制与task投递流程，改造的一个更加简单易用的基本框架。
Fireplusplus·2024-01-07 22:21

Github Copilot 快速入门

这种技术是基于大量开源代码库的学习和理解，使它能够提供多种编程语言和框架的支持。在现代编程和软件开发中，GitHubCopilot的重要性不言而喻。随着技术的不断进步和项目复
JKooll·2024-01-07 21:06

【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

californium java_物联网协议之CoAP协议开发学习笔记之Californium开源框架分析(入门)...

没看过的朋友可以出门左转看我的文章关于CoAP协议有很多开源代码实现：大家可以参考我的文章选择自己最适合的：https://segmentfault.com/a/11...CaliforniumLet'sgo
syzyzs·2024-01-07 07:01

微服务无法注册到nacos

1、问题我在启动开源代码ruoyi-vue-pro的时候，启动的后端服务无法注册到nacos上去2、解决方法我发现我在nacos上的命名空间的时候有问题，配置文件bootstrap-local.yaml
白色云·2024-01-07 02:00

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

损失函数篇 | YOLOv8 引入 Shape-IoU 考虑边框形状与尺度的度量

作者导读：Shape-IoU：考虑边框形状与尺度的度量论文地址：https://arxiv.org/abs/2312.17663作者视频解读：https://www.bilibili.com开源代码地址
迪菲赫尔曼·2024-01-06 17:58

【论文阅读笔记】两篇完整模态脑瘤分割

两篇完整模态脑瘤分割论文，都是使用Transformer，没有什么特别的特色，也没有开源代码，因此只是简单记录一下。
cskywit·2024-01-06 09:57

混合A*算法研究

1开源代码据我所知，网上的开源混合A星算法代码有下面几个（还有一些matlab、mathematica、python版本笔者未包含）。通过分析他们的代码
robinvista·2024-01-06 03:02

【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

google chrome最小字体的大小

打开源代码一看，css中给广告栏字体设置的是4px。也就是说，我的设置本来就
tency小七·2024-01-05 18:57

【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
上一页 1 2 3 4 5 6 7 8 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他