模型的介绍根据问题特点选择适当的估计器estimater模型：分类(SVC,KNN,LR,NaiveBayes,…) 回归 (Lasso,ElasticNet,SVR,…) 聚类(KMeans,…) 降维(PCA,…)机器学习模型按照可使用的数据类型分为监督学习和无监督学习两大类。监督学习主要包括用于分类和用于回归的模型：
分类：
线性分类器（如LR)支持向量机（SVM）朴素贝叶斯
简介sklearn自带了一些标准数据集，用于分类问题的 iris 和 digits。用于回归问题的boston房价数据集。导入数据集from sklearn import datasets自带的数据都放在datasets里面iris = datasets.load_iris()
digits = datasets.load_digits()datasets 是dict类型的对象，包含数据和元数据信
传统的机器学习任务从开始到建模的一般流程是：获取数据 -> 数据预处理 -> 训练建模 -> 模型评估 -> 预测，分类。本文我们将依据传统机器学习的流程，看看在每一步流程中都有哪些常用的函数以及它们的用法是怎么样的。希望你看完这篇文章可以最为快速的开始你的学习任务。1. 获取数据1.1 导入sklearn数据集 sklearn中包含了大量的优质的数据集，在你学习机器
转载
2024-05-16 10:05:52
411阅读
详细说明模型参数详解 逻辑回归：sklearn.linear_model.LogisticRegression(penalty='l2', dual=False, tol=0.0001, C=1.0, fit_intercept=True, intercept_scaling=1,
class_weight=None, random_state=None, solver='li
转载
2024-07-28 10:01:37
46阅读
这一篇虽然叫做：十分钟上手sklearn：特征提取，常用模型，但是写着写着我就想把每一个模型都详细说一下，所以也可以看作是机器学习算法概述了。上一篇我们讲解了如何安装sklearn,导入自带数据集，创建数据，对数据进行预处理，通过上一篇的讲解，相信大家能够感受到sklearn的强大之处。 这一篇，我们将对sklearn中有关特征提取，常用模型进行讲解。 主要内容包括： 1.PCA算法 2.LDA算
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。 以下部分为您提供了有关如何使用 pickle 来持久化模型的示例。 在使用 pickle 序列化时，我们还将回顾一些安全性和可维护性方面的问题。 pickle的另一种方法是使用相关项目中列出的模
转载
2021-06-20 13:06:00
1283阅读
2评论
Python中的sklearn库提供了方便的机器学习算法，那么实现简单的线性回归，所需步骤如下：提出问题理解问题清洗数据构建模型评估模型下面是具体的案例展示，案例数据为”学习时间“与”分数“首先准备数据：提出问题：”学习时间“与”分数“之间是否线性相关，如果是，求出最佳拟合度如何？理解数据：查看数据属性上图可以看出，这是一个20行，两列的二维数组，数据信息完整。数据集中只有两列数据，查看相关系数R
转载
2023-11-03 15:20:08
101阅读
# 机器学习中的回归模型：使用 Scikit-learn
机器学习是一个迅速发展的领域，回归模型作为其中的一种重要分析工具，具有广泛的应用。本文主要介绍如何使用 Python 的 Scikit-learn 库来建立和评估回归模型，让我们从头开始，了解回归的基本概念，以及如何在实际中应用它。
## 什么是回归？
回归分析是用于预测一个数值型变量（因变量）与一个或多个自变量之间关系的统计方法。比
文章目录sklearnscikit-learn数据集`sklearn.datasets`：加载获取流行数据集`sklearn`大数据集`sklearn`数据集返回值介绍查看数据分布seaborn数据集划分api交叉验证概念目的api机器学习基本流程特征预处理归一化标准化 sklearnscikit-learn数据集sklearn.datasets：加载获取流行数据集datasets.load_*
转载
2024-02-04 00:37:13
66阅读
# 机器学习模型部署的流程
在机器学习领域，模型的训练只是整个流程中的一部分。将训练好的模型部署到生产环境中是非常重要的，因为只有这样，模型才能真正发挥作用。下面我将介绍机器学习模型部署的整体流程，并给出每个步骤需要做的事情和相应的代码示例。
## 步骤概览
下表总结了机器学习模型部署的步骤。
| 步骤 | 描述 |
| --- | --- |
| 1 | 准备环境 |
| 2 | 加载模
原创
2023-07-21 09:38:45
316阅读
文章目录前言单输出分类问题KN分类器质心分类器NCA直接分类降维对比识别手写数字回归问题多输出人脸示例 前言由于项目需要使用近邻算法进行分类，便读了一些官方案例。单输出分类问题KN分类器scikit-learn实现了两个不同的最近邻分类器：KNeighborsClassifier基于实现学习RadiusNeighborsClassifier,在数据未被均匀采样的情况下，基于半径的邻居分类Radi
转载
2023-12-24 18:52:22
101阅读
线性回归 线性回归是最简单的线性模型，公式如下： \[ J(\theta) = \frac{1}{2m} \sum_{i=1}^m(h_{\theta}(x^{(i)}-y^{(i)})^2 \] 在sklearn中的函数如下： n_jobs 表示使用几个计算核心，fit_intercept 表示是 ...
转载
2021-07-12 22:57:00
172阅读
2评论
机器学习常用算法小结有监督有答案的商用最多的，主要是分类无监督没有答案半监督部分有答案使用有答案的数据进行训练模型，然后使用陌生数据进行验证过拟合和欠拟合过拟合：使用样本的特征过多，导致很多无用的特征被加入到计算中，导致模型泛化受到过多无用特征的影响，精度变得很低欠拟合：在选取特征时，选取的过于简单，主要的特征没有获取，导致模型在测试集上的表现很差kNNk近邻算法距离抽象的问题，采用欧式距离最近的
转载
2024-01-02 08:55:06
81阅读
模块 sklearn.tree共有5类不包括集成算法tree.DecisionTreeClassifier分类树tree.DecisionTreeRegression回归树tree.export_graphviz将生成的决策树导出为DOT格式，画图专用tree.ExtraTreeClassifier高随机版本分类树tree.ExtraTreeRegression高随机版本回归树使用步骤只有三步实例
一、K邻近算法的基本概念 一个样本在特征空间中最邻近(距离)的K个样本大多数属于某一个类别，则该样本也属于这个类别。二、sklearn使用欧氏距离实现KNN算法 # 倒入sklearn库中的KNN算法类
from sklearn.neighbors import KNeighborsClassifier
# 创建KNN算法实例并设置K值
KNN_classifier = KNeighb
转载
2024-02-02 06:11:02
102阅读
本文我们使用 Jupyter Notebook 将开发脚本转化为生产用的应用程序。部署机器学习模型是开发与实际应用之间的桥梁成功...
# 使用 FastAPI 部署机器学习模型的步骤
在现代应用中，将机器学习模型部署到网络服务中是个常见的需求。FastAPI 是一个用于快速构建API的现代（高性能）Python Web框架，特别适合于这种场景。本篇文章将带您一步一步地实现这一目标。
## 项目流程概述
以下是快速部署机器学习模型所需的步骤：
| 步骤 | 描述
# Django部署机器学习模型
随着机器学习的普及，越来越多的开发者开始将训练好的模型应用到实际项目中。Django作为一个强大的Web框架，使得机器学习模型的部署变得更加容易。本文将介绍如何使用Django来部署一个简单的机器学习模型，并通过代码示例对完整流程进行演示。
## 系统架构
在开始之前，我们首先需要了解系统的大致架构。整体架构可以分为三部分：前端用户界面、Django后端以及
原创
2024-09-12 07:27:25
160阅读
# Python 机器学习模型部署
在机器学习领域，除了构建和训练模型外，部署模型同样是非常重要的一环。Python作为一种功能强大且易于使用的编程语言，在机器学习模型部署方面也有着很好的支持。本文将介绍如何使用Python部署机器学习模型，并提供代码示例。
## 1. 准备模型
首先，我们需要训练好一个机器学习模型。假设我们已经使用Scikit-learn库训练好了一个简单的线性回归模型。
原创
2024-04-28 03:11:14
118阅读
# Python机器学习模型部署
随着机器学习技术的不断发展，越来越多的企业和开发者开始将训练好的机器学习模型部署到生产环境中，以实现自动化决策、预测和优化等目的。在Python中，我们可以利用各种工具和框架来进行机器学习模型的部署，本文将介绍如何使用Flask和Docker来部署一个简单的机器学习模型。
## 准备工作
在开始之前，我们需要安装一些必要的库：
```shell
pip i
原创
2024-04-16 03:57:27
70阅读
