pandas簡介pandas是python的一個數(shù)據(jù)分析包，最初由AQR Capital Management于2008年4月開發(fā)，并于2009年底開源出來，目前由專注于Py...
發(fā)簡信
IP屬地：遼寧
-
Pandas基礎教程 -
用SMOTE算法和XGBoost模型處理信用卡欺詐數(shù)據(jù)
如果分類問題中類別型的因變量可能嚴重失衡，例如欺詐問題中，欺詐類觀測在樣本集中占少數(shù)；客戶流失問題中，忠實的客戶也是往往占很少一部分；某營銷活動的響應過程中，真正參與的客戶也...
-
用SVM預測火災森林毀壞面積
X,Y為坐標位置mon和day均為字符型，做數(shù)值型轉換，且day為無關變量 因變量area為數(shù)值型變量，而對連續(xù)型的因變量需要做分布的探索性分析，如果數(shù)據(jù)呈現(xiàn)嚴重偏態(tài)，會產生...
-
吳恩達深度學習（二）神經網絡 第一課：神經網絡概述 在本周，您將學會實現(xiàn)神經網絡。 上周，我們討論了邏輯回歸的流程圖，通過特征x和參數(shù)w和b，它們允許你計算z然后用來計算a ，我們可以互換地使用...
-
12-機器學習練習與特征工程、評價指標一.使用PCA識別手寫數(shù)字 PCA：Principal Component Analysis（主成分分析）PCA通過線性變換將原始數(shù)據(jù)變換為一組各維度線性無關的表示，可用于提...
-
史上最全的cnn參數(shù)計算詳解廢話不多說, 直接上示例 1. 前戲 卷積前后大小變化示例 現(xiàn)實中的例子 featural金字塔 cnn內部可視化 filter, activation map可視化 cnn...
-
雙樣本T檢驗——機器學習特征工程相關性分析實戰(zhàn)最近在做數(shù)據(jù)分析方面的工作，經常需要檢驗兩組樣本之間是否存在差異，所以會遇到統(tǒng)計學中假設檢驗相關的知識。在機器學習特征工程這一步，筆者最常用到的是假設檢驗中的卡方檢驗去做特征...
-
pytorch Code Snippets(pytorch常用代碼整理)
本文代碼基于PyTorch 1.0版本，需要用到以下包 1. 基礎配置 檢查PyTorch版本 更新PyTorch PyTorch將被安裝在anaconda3/lib/pyt...
-
Kaggle提升模型性能的超強殺招Stacking——機器學習模型融合之前的文章中談到了機器學習項目中，要想使得使得機器學習模型進一步提升，我們必須使用到模型融合的技巧，今天我們就來談談模型融合中比較常見的一種方法——stacking。翻譯成中...
-
利用隨機森林對特征重要性進行評估
前言 隨機森林是以決策樹為基學習器的集成學習算法。隨機森林非常簡單，易于實現(xiàn)，計算開銷也很小，更令人驚奇的是它在分類和回歸上表現(xiàn)出了十分驚人的性能，因此，隨機森林也被譽為“代...
-
pytorch中l(wèi)abel轉換
在pytorch中，損失函數(shù)計算的時候，經常需要將label轉換為one-hot的形式，在pytorch中怎么轉換呢，在pytorch中只需要如下即可 值得注意的是，如果使用...
-
初識人工智能
今天開始慢慢進入人工智能的介紹與算法網絡等的實現(xiàn)的“傳送期”，希望大家能夠喜歡 ！ 好，揭幕??！ 一、人工智能介紹 什么是人工智能？可能是大家一開始最想了解的。 大家看圖中關...
-
-
吳恩達深度學習筆記(56)-訓練一個 Softmax 分類器
訓練一個 Softmax 分類器（Training a Softmax classifier） 上一個筆記中我們學習了Softmax層和Softmax激活函數(shù)，在這個筆記中，...
-
Pytorch學習之線性回歸分類pytorch學習之回歸分類 引用庫 數(shù)據(jù)導出 數(shù)據(jù)展示 獲得數(shù)據(jù) 設置模型 設置損失函數(shù)和優(yōu)化器 模型訓練 可視化分類結果 總結
-
超簡單！pytorch入門教程（五）：訓練和測試CNN我們按照超簡單！pytorch入門教程（四）：準備圖片數(shù)據(jù)集準備好了圖片數(shù)據(jù)以后，就來訓練一下識別這10類圖片的cnn神經網絡吧。 按照超簡單！pytorch入門教程（三）：...
-
超簡單！pytorch入門教程（四）：準備圖片數(shù)據(jù)集在訓練神經網絡之前，我們必須有數(shù)據(jù)，作為資深伸手黨，必須知道以下幾個數(shù)據(jù)提供源： 一、CIFAR-10 CIFAR-10是多倫多大學提供的圖片數(shù)據(jù)庫，圖片分辨率壓縮至32x3...
