随笔列表第249页 - 秋华

2021年6月20日

机器学习sklearn（三十一）：Pipeline（管道）和 FeatureUnion（特征联合）: 合并的评估器

摘要：变换器(Transformers)通常与分类器，回归器或其他的学习器组合在一起以构建复合估计器。完成这件事的最常用工具是 Pipeline。 Pipeline 经常与 FeatureUnion 结合起来使用。 FeatureUnion 用于将变换器(transformers)的输出串联到复合特征空阅读全文

posted @ 2021-06-20 13:30 秋华阅读(1529) 评论(0) 推荐(0)

机器学习sklearn（三十）：模型保存

摘要：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阅读全文

posted @ 2021-06-20 13:06 秋华阅读(1211) 评论(0) 推荐(0)

机器学习sklearn（二十九）：模型评估（九）调整估计器的超参数

摘要：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。典型的示例有：用于支持向量分类器的 C 、kernel 和 gamma ，用于Lasso的 alpha 等。搜索超参数空间以便获得最好交叉验证分数的方法是可能的而且是值得提倡的。阅读全文

posted @ 2021-06-20 13:00 秋华阅读(565) 评论(0) 推荐(0)

2021年6月19日

机器学习sklearn（二十八）：模型评估（八）量化预测的质量（五）聚类指标/虚拟估计

摘要：聚类指标该 sklearn.metrics 模块实现了一些 loss, score 和 utility 函数. 更多信息请参阅聚类性能度量部分, 例如聚类, 以及用于二分聚类的 Biclustering 评测. 虚拟估计在进行监督学习的过程中，简单的 sanity check（理性检查）包括阅读全文

posted @ 2021-06-19 23:55 秋华阅读(423) 评论(0) 推荐(0)

机器学习sklearn（二十七）：模型评估（七）量化预测的质量（四）回归指标

摘要：该 sklearn.metrics 模块实现了一些 loss, score 以及 utility 函数以测量 regression（回归）的性能. 其中一些已经被加强以处理多个输出的场景: mean_squared_error, mean_absolute_error, explained_vari 阅读全文

posted @ 2021-06-19 23:52 秋华阅读(944) 评论(0) 推荐(0)

机器学习sklearn（二十六）：模型评估（六）量化预测的质量（三）多标签排名指标

摘要：在多分类学习中，每个样本可以具有与其相关联的任何数量的真实标签。目标是给予高分，更好地评价真实标签。 1. 覆盖误差 coverage_error 函数计算必须包含在最终预测中的标签的平均数，以便预测所有真正的标签。如果您想知道有多少 top 评分标签，您必须通过平均来预测，而不会丢失任何真正的标阅读全文

posted @ 2021-06-19 23:43 秋华阅读(731) 评论(0) 推荐(0)

机器学习sklearn（二十五）：模型评估（五）量化预测的质量（二）分类指标

摘要：分类指标 sklearn.metrics 模块实现了几个 loss, score, 和 utility 函数来衡量 classification （分类）性能。某些 metrics （指标）可能需要 positive class （正类），confidence values（置信度值）或 bina 阅读全文

posted @ 2021-06-19 23:41 秋华阅读(4527) 评论(0) 推荐(0)

机器学习sklearn（二十四）：模型评估（四）量化预测的质量（一）scoring 参数: 定义模型评估规则

摘要：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，为其解决的问题提供了默认的 evaluation criterion （评估标准）。在这个页面上没有相关讨论，但是阅读全文

posted @ 2021-06-19 23:12 秋华阅读(2448) 评论(0) 推荐(0)

机器学习sklearn（二十三）：模型评估（三）交叉验证：评估估算器的表现（三）交叉验证迭代器

摘要：接下来的部分列出了一些用于生成索引标号，用于在不同的交叉验证策略中生成数据划分的工具。 1. 交叉验证迭代器–循环遍历数据假设一些数据是独立的和相同分布的 (i.i.d) 假定所有的样本来源于相同的生成过程，并假设生成过程没有记忆过去生成的样本。在这种情况下可以使用下面的交叉验证器。注意尽管阅读全文

posted @ 2021-06-19 22:10 秋华阅读(758) 评论(0) 推荐(0)

机器学习sklearn（二十二）：模型评估（二）交叉验证：评估估算器的表现（二）计算交叉验证的指标

摘要：计算交叉验证的指标使用交叉验证最简单的方法是在估计器和数据集上调用 cross_val_score 辅助函数。下面的示例展示了如何通过分割数据，拟合模型和计算连续 5 次的分数（每次不同分割）来估计 linear kernel 支持向量机在 iris 数据集上的精度: >>> from skle 阅读全文

posted @ 2021-06-19 21:41 秋华阅读(1271) 评论(0) 推荐(0)

秋华

公告