引言最近在读西瓜书，查阅了多方资料，恶补了数值代数、统计概率和线代，总算是勉强看懂了西瓜书中的公式推导。但是知道了公式以后还是要学会应用的，几经摸索发现python下的sklearn包把机器学习中经典的算法都封装好了，因此，打算写几篇博客记录一下sklearn包下的常用学习算法的使用，防止自己以后忘了，嘿嘿。1.对数几率回归算法在分类任务中，我们希望根据训练样本，由事物的属性来对事物进行分类，这是
文章目录机器学习模型评估分类模型回归模型聚类模型交叉验证中指定scoring参数网格搜索中应用 机器学习模型评估以下方法，sklearn中都在sklearn.metrics类下，务必记住哪些指标适合分类，那些适合回归，不能混着用 分类的模型大多是Classifier结尾，回归是Regression分类模型accuracy_score（准确率得分）是模型分类正确的数据除以样本总数 【模型的sc
转载
2024-05-15 12:48:20
28阅读
回归类的模型评估指标回归类算法的模型评估一直都是回归算法中的一个难点，但不像我们曾经讲过的无监督学习算法中的轮廓系数等等评估指标，回归类与分类型算法的模型评估其实是相似的法则——找真实标签和预测值的差异。只不过在分类型算法中，这个差异只有一种角度来评判，那就是是否预测到了正确的分类，而在我们的回归类算法中，我们有两种不同的角度来看待回归的效果：第一，我们是否预测到了正确的数值。第二，我们是否拟合到
转载
2024-04-03 12:38:39
899阅读
基本思想： 将X^2与X理解为两个不同特征，所以平方项会让数据增加一个特征。 从[X^2,X,1]角度看，是一个线性方程 从[X,1]角度看，是一个非线性方程一、多项式回归的由来且看代码，比较两种线性回归方式的拟合效果import numpy as np
import matplotlib.pyplot as plt
x = np.random.uniform(-3,3,size = 100)
转载
2024-10-22 11:15:35
48阅读
2. 使用sklearn构建完整的机器学习项目流程一般来说，一个完整的机器学习项目分为以下步骤：明确项目任务：回归/分类收集数据集并选择合适的特征。选择度量模型性能的指标。选择具体的模型并进行训练以优化模型。评估模型的性能并调参。2.1 使用sklearn构建完整的回归项目(1) 收集数据集并选择合适的特征： 在数据集上我们使用我们比较熟悉的Boston房价数据集，原因是：第一个，我们通过这些简单
转载
2024-02-27 11:14:00
87阅读
先上公式推导吓吓萌新。。。嘻嘻上图中两个决策边界（虚线）的间隔为,可以把它看做求两条平行直线的距离，只是这里是超直线罢了，例如：两平行线方程分别是：Ax+By+C1=0和Ax+By+C2=0则它们之间的距离,这里的x,y写成向量形式就是x={x,y},w={A,B}. 官网地址：https://scikit-learn.org/stable/modules/classes.html#mo
转载
2024-03-13 21:48:49
89阅读
有 3 种不同的 API 用于评估模型预测的质量:Estimator score method（估计器得分的方法）: Estimators（估计器）有一个 score（得分） 方法，为其解决的问题提
原创
2022-11-02 09:42:46
70阅读
目的本文使用Python的sklearn类库，基于对机器学习线性回归算法的理论学习，利用sklearn中集成的波士顿房价数据，以此来对线性回归的理论知识进行一次实践总结。本文不以预测的准确率为目的，只是简单的对机器学习的线性回归等理论知识进行一次实践总结，以此来体验下sklearn类库的使用方法。美国波士顿房价的数据集是sklearn里面默认的数据集，sklearn内置的数据集都位于dataset
转载
2024-03-28 09:01:17
0阅读
什么是回归？优点：结果易于理解，计算上不复杂。 缺点：对非线性的数据拟合不好。 适用数据类型：数值型和标称型数据。使用算法：使用回归，可以在给定输入的时候预测出一个数值，这是对分类方法的提升，因为这样可以预测连续型数据而不仅仅是离散的类别标签回归的一般方法： （1）收集数据：采用任意方法收集数据； （2）准备数据：回归需要数值型数据，标称型数据将被转换成二值型数据； （3）分
转载
2024-05-31 23:49:39
38阅读
一、Logistic回归的认知与应用场景Logistic回归为概率型非线性回归模型，是研究二分类观察结果与一些影响因素之间关系的一种多变量分析方法。通常的问题是，研究某些因素条件下某个结果是否发生，比如医学中根据病人的一些症状来判断它是否患有某种病。二、LR分类器LR分类器，即Logistic Regression Classifier。在分类情形下，经过学习后的LR分类器是一组权值，当测试样本的
转载
2024-06-26 10:34:18
94阅读
一: 线性回归方程 线性回归（英语：linear regression）是利用称为线性回归方程的最小二乘函数对一个或多个自变量和因变量之间关系进行建模的一种回归分析。这种函数是一个或多个称为回归系数的模型参数的线性组合。只有一个自变量的情况称为简单回归，大于一个自变量情况的叫做多元回归 在线性回归中，数据使用线性预测函数来建模，并且未知的模型参数也是通过数据来估计。这些模型被叫做线性模型。最常用的
转载
2024-03-28 10:18:42
113阅读
目录Regression Model 回归模型Loss Function 损失函数Gradient Descent 梯度下降实例问题：解决办法：另一个例子 Regression Model 回归模型回归模型用于得到输入数据到输出数据之间的一种映射关系，可以用 来简单表示。 其中w表示网络的权重，b表示偏置。x为网络输入，y为网络输出。Loss Function 损失函数损失函数用于评估模型预测（
转载
2024-04-23 10:07:27
100阅读
SKlearn模型评估方法准确率1.accuracy_scorePython准确率importnumpyasnpfromsklearn.metricsimportaccuracy_scorey_pred=0,2,1,3,9,9,8,5,8y_true=0,1,2,3,2,6,3,5,9accuracy_score(y_true,y_pred)Out127:0.33333333333333331ac
原创
2022-06-27 11:07:46
302阅读
文章目录1.6模型评估1 分类模型评估2 回归模型评估3 拟合3.1 欠拟合3.2 过拟合4 小结 1.6模型评估学习目标了解机器学习中模型评估的方法知道过拟合、欠拟合发生情况－ 模型评估是模型开发过程不可或缺的一部分。它有助于发现表达数据的最佳模型和所选模型将来工作的性能如何。 按照数据集的目标值不同，可以把模型评估分为分类模型评估和回归模型评估。1 分类模型评估准确率
预测正确
转载
2024-04-13 12:47:22
364阅读
# Python 中使用 Scikit-Learn 进行模型评估的入门指南
在数据科学领域，模型评估是验证机器学习模型性能的重要环节。这里，我将教你如何使用 Python 中的 `scikit-learn` 库进行模型评估。
## 流程概览
在开始之前，我们要明确整个模型评估的流程。以下是主要的步骤：
| 步骤 | 描述
在sklearn当中，可以在三个地方进行模型的评估1：各个模型的均有提供的score方法来进行评估。 这种方法对于每一种学习器来说都是根据学习器本身的特点定制的，不可改变，这种方法比较简单。这种方法受模型的影响，2：用交叉验证cross_val_score，或者参数调试GridSearchCV，它们都依赖scoring参数传入一个性能度量函数。这种方法就是我们下面讨论的使用scoring进行模型的
转载
2024-08-06 09:48:21
36阅读
sklearn中很多回归方法，广义线性回归在linear_model库下，例如：线性回归、\(Lasso\)、岭回归等。还有其他非线性回归方法，例如：\(SVM\)、集成方法、贝叶斯回归、\(K\)如何在sklearn中找到所有回归算法？由于没有一个统一的回归库，无法直接从单一库导出所有回归算法。以下是找到所有回归算法的步骤：① 在 \(Chrome\) 搜索 https://scikit-lea
转载
2023-12-05 19:39:57
306阅读
回归和分类是两种 监督 机器 学习算法， 前者预测连续值输出，而后者预测离散输出。 例如，用美元预测房屋的价格是回归问题，而预测肿瘤是恶性的还是良性的则是分类问题。在本文中，我们将简要研究线性回归是什么，以及如何使用Scikit-Learn（最流行的Python机器学习库之一）在两个变量和多个变量的情况下实现线性回归。线性回归理论代数学中，术语“线
线性模型一般我们可以把线性模型写作：f(x)=wTx+b
f
(
x
)
=
w
T
转载
2024-02-28 11:00:45
109阅读
