5. 数据集转换 5. 数据集转换 scikit-learn 提供了一个用于转换数据集的库, 它也许会 clean（清理）（请参阅 预处理数据 ）, reduce（减少）（请参阅 无监督降维 ）, expand（扩展）（请参阅 内核近似 ）或 generate（生成）（请参阅 特征提取 ） feature representations（特征表示）....

10、如何联系我们 请向出版商发表有关本书的评论和问题： O’Reilly Media, Inc. 1005 Gravenstein Highway North Sebastopol, CA 95472 800-998-9938 （在美国或者加拿大） 707-829-0515 （国际或地区） 707-829-0104 （传真） 我们有一个这...

4.5 Booster API 转换 4.5 Booster API 转换 从 LGBMModel 转换到Booster ：通过.booster_ 属性来获取底层的Booster 。 源码： @property def booster_ ( self ): """Get the underlying lightg...

Beyond Deep Learning Beyond Deep Learning Most machine learning courses will throw dozens of different algorithms at you, with a brief technical description of the math behind ...

选择并训练模型 可到这一步了！你在前面限定了问题、获得了数据、探索了数据、采样了一个测试集、写了自动化的转换流水线来清理和为算法准备数据。现在，你已经准备好选择并训练一个机器学习模型了。 在训练集上训练和评估 好消息是基于前面的工作，接下来要做的比你想的要简单许多。像前一章那样，我们先来训练一个线性回归模型： from sklearn . li...

线性支持向量机分类 SVM 的基本思想能够用一些图片来解释得很好，图 5-1 展示了我们在第4章结尾处介绍的鸢尾花数据集的一部分。这两个种类能够被非常清晰，非常容易的用一条直线分开（即线性可分的）。左边的图显示了三种可能的线性分类器的判定边界。其中用虚线表示的线性模型判定边界很差，甚至不能正确地划分类别。另外两个线性模型在这个数据集表现的很好，但是它们的...

7.1. 大规模计算的策略: 更大量的数据 7.1.1. 使用外核学习实例进行拓展 7.1.1.1. 流式实例 7.1.1.2. 提取特征 7.1.1.3. 增量学习 7.1.1.4. 示例 7.1.1.5. 注释 7.1. 大规模计算的策略: 更大量的数据 校验者: @文谊 翻译者: @ゞFingヤ 对于一些应用程序，需要被处理的样...

13.5 继续学习 13.5 继续学习 我只是介绍了一些Python建模库的表面内容，现在有越来越多的框架用于各种统计和机器学习，它们都是用Python或Python用户界面实现的。 这本书的重点是数据规整，有其它的书是关注建模和数据科学工具的。其中优秀的有： Andreas Mueller and Sarah Guido (O’Reilly)...