-
混淆矩阵，用于衡量分类算法的准确程度
True Positives(TP):预测准确、实际为正样本的数量(实际为1，预测为1)
True Negatives(TN):预测准确，实际为负样本的数量（实际为0，预测为0）
False Positive（FP）:预测错误、实际为负样本的数量（实际为0，预测为1）
FalseNegatives(FN)：预测错误、实际为正样本的数量（实际为1，预测为0）
查看全部 -
逻辑回归模型：计算数据归属于某一类别的概率P，根据概率数值判断其类别。主要应用于二分类问题
查看全部 -
逻辑回归模型：在二分类问题中使用更加广泛
使用准确率进行模型评估的局限性
混淆矩阵、模型衡量指标及其意义
查看全部 -
将整个数据集用于训练与测试，训练数据与测试数据相同导致的问题：
1）训练模型的最终目标是为了预测新数据对应的结果
2）最大化训练准确率通常会导致模型复杂化
3)过度复杂模型容易导致训练数据的过度拟合
查看全部 -
# 模型评估 比较不同K值 模型的好坏
# 全数据集训练与预测
# 训练数据集、测试数据集分离
# 如何选择模型合适的参数，预测新数据对应结果
查看全部 -
使用scikit-learn建模四步骤
调用需要使用的模型类
模型初始化，创建一个模型实例
模型训练
模型预测
查看全部 -
给定一个训练数据集，对新的输入实例，在训练数据集中找到与该实例最邻近的K个实例，这K个实例的多数属于某个类，就把该输入实例分类到这个类中。
查看全部 -
分类： 根据数据集目标的特征或者属性，划分到已有类别中
常用的分类算法：K近邻（KNN），逻辑回归、决策树、朴素贝叶斯
查看全部 -
数据预处理：
iris数据加载
数据展示
确认数据维度
使用scikit-learn进行数据处理的四个关键点
1区分开属性数据与结果数据
2属性数据与结果数据都是量化的
3运算过程中，属性数据与结果数据的类型都是Numpy数组
4属性数据与结果数据的维度是对应的
查看全部 -
界面设置
jt -t oceans16 -f fira -fs 17 -cellw 90% -ofs 14 -dfs 14 -T
查看全部 -
Jupyter notebook
是一个开源的Web应用程序，旨在方便开发者创建和共享代码文档，用户可以在里面写代码、运行代码、查看结果，并在其中可视化数据。
基于Web框架进行交互开发，非常方便。
查看全部 -
Scikit-learn的特点是继承了机器学习中各类成熟的算法，容易安装和使用，样例丰富、教程和文档也非常详细。
但sklearn不支持python之外的语言，不支持深度学习和强化学习。
查看全部 -
Scikit-learn工具包
Python中针对机器学习应用而发展起来的一款开源框架。可以实现数据预处理、分类、回归、降维、模型选择等常用的机器学习算法。
查看全部 -
Python的使用场景：Web、Mobile、Enterprise、Embedded
Python的优点：简单、开发效率高、高级语言、可移植性、可扩展性、可嵌入性。
缺点：速度慢、代码不能加密
查看全部 -
解释性：不需要变异成二进制代码，可以直接从源代码运行
面向对象：Python既支持面向过程的编程也支持面向对象
可移植性：开源本质，可以在不同平台进行开发
高层语言：无须考虑诸如如何管理程序使用的内存一类的底层细节
查看全部
举报