朝南烟 - 博客园

2022年5月14日

摘要：本周收获总结一下本周学习内容： 1、学习了《深入浅出Pandas》的第六章：Pandas分组聚合 6.1概述 6.2分组 6.3分组对象的操作 🚗我的博客链接： Pandas 分组聚合：分组、分组对象操作 2、《Python机器学习基础教程》第四章p161-p180 分类变量 🚗我的博客链接阅读全文

posted @ 2022-05-14 19:52 朝南烟阅读(44) 评论(0) 推荐(0) 编辑

Pandas 分组聚合：分组、分组对象操作

摘要： 1、概述 1.1 group语法 df.groupby(self, by=None, axis=0, level=None, as_index: bool=True, sort: bool=True, group_keys: bool=True, squeeze: bool=False, obser 阅读全文

posted @ 2022-05-14 19:42 朝南烟阅读(459) 评论(0) 推荐(0) 编辑

2022年5月13日

数据表示与特征工程--单变量非线性变换

摘要：特征和目标之间存在非线性关系，建模变得很困难 ⭐log和exp函数可以帮助调节数据的相对比例，改进线性模型或者神经网络的学习效果 ⭐大部分模型在每个特征遵循高斯分布时表现很好 ⭐在处理整数计数数据时，这种log，exp变换非常有用 1、模拟一些数据模拟钟形分布的数据 from sklearn.li 阅读全文

posted @ 2022-05-13 13:32 朝南烟阅读(144) 评论(0) 推荐(0) 编辑

数据表示与特征工程--交互特征与多项式特征

摘要： ⭐想要丰富特征表示，可以通过添加原始数据的交互特征和多项式特征，尤其是对于线性模型而言。如果想向分箱数据（4.2的内容）上的线性模型添加斜率：1、加入原始特征（图中的X轴），2、添加交互特征或乘积特征 1、加入原始特征 # 向分箱数据中加入原始特征 X,y = mglearn.datasets.m 阅读全文

posted @ 2022-05-13 11:28 朝南烟阅读(253) 评论(0) 推荐(0) 编辑

数据表示与特征工程--分箱、离散化、线性模型与树

摘要： 1、线性模型与决策树在wave数据集上的表现 ⭐数据表示的最佳方法不仅取决于数据的语义，还取决于所使用的模型种类。线性模型与基于树的模型（决策树、梯度提升树、随机森林）很常用的模型，但他们在处理不同特征表示时具有非常不同的性质。 ⭐下面是线性回归和决策树在make_wave数据集中的对比 impo 阅读全文

posted @ 2022-05-13 11:00 朝南烟阅读(238) 评论(0) 推荐(0) 编辑

cly的园子

公告