榜单
服务器优惠
AI论文
-
提升
提升 提升（Boosting，最初称为假设增强）指的是可以将几个弱学习者组合成强学习者的集成方法。对于大多数的提升方法的思想就是按顺序去训练分类器，每一个都要尝试修正前面的分类。现如今已经有很多的提升方法了，但最著名的就是 Adaboost（适应性提升，是 Adaptive Boosting 的简称） 和 Gradient Boosting（梯度提升）。... -
1.13. 特征选择
1.13. 特征选择 1.13.1. 移除低方差特征 1.13.2. 单变量特征选择 1.13.3. 递归式特征消除 1.13.4. 使用 SelectFromModel 选取特征 1.13.4.1. 基于 L1 的特征选取 1.13.4.2. 基于 Tree（树）的特征选取 1.13.5. 特征选取作为 pipeline（管道）的一部分 ... -
3.5. Validation curves: plotting scores to evaluate models
3.5. Validation curves: plotting scores to evaluate models 3.5.1. Validation curve 3.5.2. Learning curve 3.5. Validation curves: plotting scores to evaluate models Every esti... -
把它们放在一起
把它们放在一起 把它们放在一起 模型管道化 用特征面进行人脸识别 """ Faces recognition example using eigenfaces and SVMs Display progress logs on stdout # Download the data, if not already on disk... -
1.12. 多类和多标签算法
1.12. 多类和多标签算法 1.12. 多类和多标签算法 1.12.1. 多标签分类格式 1.12.2. 1对其余 1.12.2.1. 多类学习 1.12.2.2. 多标签学习 1.12.3. 1对1 1.12.3.1. 多类别学习 1.12.4. 误差校正输出代码 1.12.4.1. 多类别学习 1.12.5. 多输出回归 1.12.... -
Ex 4: Varying regularization in Multi-layer Perceptron
Varying regularization in Multi-layer Perceptron (一)引入函式庫 (二)設定模型參數與產生資料 (三)繪製圖形 Varying regularization in Multi-layer Perceptron http://scikit-learn.org/stable/auto_example... -
5.9. 预测目标 (y) 的转换
5.9. 预测目标 (y) 的转换 5.9.1. 标签二值化 5.9.2. 标签编码 5.9. 预测目标 (y) 的转换 校验者: @FontTian @numpy 翻译者: @程威 本章要介绍的这些变换器不是被用于特征的，而是只被用于变换监督学习的目标。 如果你希望变换预测目标以进行学习，但是在原始空间中评估模型，请参考回归中的目标转换 ... -
Ex 1: Visualization of MLP weights on MNIST
Visualization of MLP weights on MNIST (一)引入函式庫與資料 (二)將資料切割成訓練集與測試集 (三)設定分類器參數與訓練網路並畫出權重矩陣 (四)完整程式碼 Visualization of MLP weights on MNIST http://scikit-learn.org/stable/auto...