关注于数据分析的小站

2019年09月3日的文章

第3页
# 2.9. 神经网络模型(无监督)-0dayhub
Sklearn

# 2.9. 神经网络模型(无监督)

lin, han阅读(5503)赞(4)

校验者:         @不将就 @Loopy 翻译者:         @夜神月 2.9.1. 限制波尔兹曼机 Restricted Boltzmann machines (RBM)(限制玻尔兹曼机)是基于概率模型的无监督非线性特征学习...

Sklearn

# 3. 模型选择和评估

lin, han阅读(3931)赞(4)

3.1 交叉验证:评估估算器的表现 3.1.1 计算交叉验证的指标 3.1.1.1 cross_validate 函数和多度量评估 3.1.1.2 通过交叉验证获取预测 3.1.2 交叉验证迭代器 3.1.2.1 交叉验证迭代器–循环遍历数...

# 3.1. 交叉验证:评估估算器的表现-0dayhub
Sklearn

# 3.1. 交叉验证:评估估算器的表现

lin, han阅读(6887)赞(5)

校验者:         @想和太阳肩并肩         @樊雯 @Loopy 翻译者:         @\S^R^Y/ 学习预测函数的参数,并在相同数据集上进行测试是一种错误的做法: 一个仅给出测试用例标签的模型将会获得极高的分数,但...

Sklearn

# 3.2. 调整估计器的超参数

lin, han阅读(4985)赞(4)

校验者:         @想和太阳肩并肩 翻译者:         @\S^R^Y/ 超参数,即不直接在估计器内学习的参数。在 scikit-learn 包中,它们作为估计器类中构造函数的参数进行传递。典型的例子有:用于支持向量分类器的 ...

Sklearn

# 3.4. 模型持久化

lin, han阅读(3837)赞(3)

校验者:         @why2lyj(Snow Wang)         @小瑶 翻译者:         @那伊抹微笑 在训练完 scikit-learn 模型之后,最好有一种方法来将模型持久化以备将来使用,而无需重新训练。 以下...

# 3.3. 模型评估: 量化预测的质量-0dayhub
Sklearn

# 3.3. 模型评估: 量化预测的质量

lin, han阅读(5689)赞(3)

校验者:         @飓风         @小瑶         @FAME         @v @Loopy 翻译者:         @小瑶         @片刻         @那伊抹微笑 有 3 种不同的 API 用于...

# 3.5. 验证曲线: 绘制分数以评估模型-0dayhub
Sklearn

# 3.5. 验证曲线: 绘制分数以评估模型

lin, han阅读(6264)赞(3)

校验者:         @正版乔         @正版乔         @小瑶 翻译者:         @Xi 每种估计器都有其优势和缺陷。它的泛化误差可以用偏差、方差和噪声来分解。估计值的 偏差 是不同训练集的平均误差。估计值的 ...

# 4.1. 部分依赖图-0dayhub
Sklearn

# 4.1. 部分依赖图

lin, han阅读(6825)赞(5)

校验者: 待核验 翻译者:         @Loopy 部分依赖图(以下简称PDP)显示了目标响应[1]和一组“目标”特征之间的依赖关系,并边缘化所有其他特征(“补充”特征)的值。直观地,我们可以将部分依赖关系解释为预期目标响应作为“目标...