中文字幕理论片,69视频免费在线观看,亚洲成人app,国产1级毛片,刘涛最大尺度戏视频,欧美亚洲美女视频,2021韩国美女仙女屋vip视频

打開APP
userphoto
未登錄

開通VIP,暢享免費電子書等14項超值服

開通VIP
Sklearn包含的常用算法

參考資料來自sklearn官方網(wǎng)站:http://scikit-learn.org/stable/

總的來說,Sklearn可實現(xiàn)的函數(shù)或功能可分為以下幾個方面:

分類算法

回歸算法

聚類算法

降維算法

文本挖掘算法

模型優(yōu)化

數(shù)據(jù)預處理


分類算法

線性判別分析(LDA)

>>> from sklearn.discriminant_analysis import LinearDiscriminantAnalysis

>>> lda = LinearDiscriminantAnalysis(solver='svd', store_covariance=True)

二次判別分析(QDA)

>>> from sklearn.discriminant_analysis import QuadraticDiscriminantAnalysis

>>> qda = QuadraticDiscriminantAnalysis(store_covariances=True)

支持向量機(SVM)

>>> from sklearn import svm

>>> clf = svm.SVC()

Knn算法

>>> from sklearn import neighbors

>>> clf = neighbors.KNeighborsClassifier(n_neighbors, weights=weights)

神經(jīng)網(wǎng)絡(nn)

>>> from sklearn.neural_network import MLPClassifier

>>> clf = MLPClassifier(solver='lbfgs', alpha=e-,

    ...                     hidden_layer_sizes=(, ), random_state=)

樸素貝葉斯算法(Naive Bayes)

>>> from sklearn.naive_bayes import GaussianNB

>>> gnb = GaussianNB()

決策樹算法(decision tree)

>>> from sklearn import tree

>>> clf = tree.DecisionTreeClassifier()

集成算法(Ensemble methods)

1、Bagging

>>> from sklearn.ensemble import BaggingClassifier

>>> from sklearn.neighbors import KNeighborsClassifier

>>> bagging = BaggingClassifier(KNeighborsClassifier(),

...                             max_samples=0., max_features=0.)

2、隨機森林(Random Forest)

>>> from sklearn.ensemble import RandomForestClassifier

>>> clf = RandomForestClassifier(n_estimators=0)

3、AdaBoost

 

>>> from sklearn.ensemble import AdaBoostClassifier

>>> clf = AdaBoostClassifier(n_estimators=00)/4、GBDT(Gradient Tree Boosting)

>>> from sklearn.ensemble import GradientBoostingClassifier

>>> clf = GradientBoostingClassifier(n_estimators=00, learning_rate=.0,

...     max_depth=, random_state=0).fit(X_train, y_train)

回歸算法

最小二乘回歸(OLS)

>>> from sklearn import linear_model

>>> reg = linear_model.LinearRegression()

嶺回歸(Ridge Regression)

>>> from sklearn import linear_model

>>> reg = linear_model.Ridge (alpha = .)

核嶺回歸(Kernel ridge regression)

>>> from sklearn.kernel_ridge import KernelRidge

>>> KernelRidge(kernel='rbf', alpha=0., gamma=0)

支持向量機回歸(SVR)

>>> from sklearn import svm

>>> clf = svm.SVR()

套索回歸(Lasso)

>>> from sklearn import linear_model

>>> reg = linear_model.Lasso(alpha = 0.)

彈性網(wǎng)絡回歸(Elastic Net)

>>> from sklearn.linear_model import ElasticNet

>>> regr = ElasticNet(random_state=0)

貝葉斯回歸(Bayesian Regression)

>>> from sklearn import linear_model

>>> reg = linear_model.BayesianRidge()

邏輯回歸(Logistic regression)

>>> from sklearn.linear_model import LogisticRegression

>>> clf_l_LR = LogisticRegression(C=C, penalty='l', tol=0.0)

>>> clf_l_LR = LogisticRegression(C=C, penalty='l', tol=0.0)

穩(wěn)健回歸(Robustness regression)

>>> from sklearn import linear_model

>>> ransac = linear_model.RANSACRegressor()

多項式回歸(Polynomial regression——多項式基函數(shù)回歸)

>>> from sklearn.preprocessing import PolynomialFeatures

>>> poly = PolynomialFeatures(degree=)

>>> poly.fit_transform(X)

高斯過程回歸(Gaussian Process Regression)

偏最小二乘回歸(PLS)

>>> from sklearn.cross_decomposition import PLSCanonical

>>> PLSCanonical(algorithm='nipals', copy=True, max_iter=00, n_components=,scale=True, tol=e-0)

 典型相關分析(CCA)

 >>> from sklearn.cross_decomposition import CCA

>>> cca = CCA(n_components=)

聚類算法

 Knn算法

 >>> from sklearn.neighbors import NearestNeighbors

>>> nbrs = NearestNeighbors(n_neighbors=, algorithm='ball_tree').fit(X)

 Kmeans算法

>>> from sklearn.cluster import KMeans

>>> kmeans = KMeans(init='k-means++', n_clusters=n_digits, n_init=0)

層次聚類(Hierarchical clustering)——支持多種距離

>>> from sklearn.cluster import AgglomerativeClustering

>>> model = AgglomerativeClustering(linkage=linkage,

connectivity=connectivity, n_clusters=n_clusters)

降維算法

主成分方法(PCA)

>>> from sklearn.decomposition import PCA

>>> pca = PCA(n_components=)

核函主成分(kernal pca)

>>> from sklearn.decomposition import KernelPCA

>>> kpca = KernelPCA(kernel='rbf', fit_inverse_transform=True, gamma=0)

因子分析(Factor Analysis)

>>> from sklearn.decomposition import FactorAnalysis

>>> fa = FactorAnalysis()

文本挖掘算法

主題生成模型(Latent Dirichlet Allocation)

>>> from sklearn.decomposition import NMF, LatentDirichletAllocation

潛在語義分析(latent semantic analysis)

模型優(yōu)化

 不具體列出函數(shù),只說明提供的功能

特征選擇

隨機梯度方法

交叉驗證

參數(shù)調(diào)優(yōu)

模型評估:支持準確率、召回率、AUC等計算,ROC,損失函數(shù)等作圖

數(shù)據(jù)預處理


標準化

異常值處理

非線性轉(zhuǎn)換

二值化

獨熱編碼(one-hot)

缺失值插補:支持均值、中位數(shù)、眾數(shù)、特定值插補、多重插補

衍生變量生成


本站僅提供存儲服務,所有內(nèi)容均由用戶發(fā)布,如發(fā)現(xiàn)有害或侵權內(nèi)容,請點擊舉報。
打開APP,閱讀全文并永久保存 查看更多類似文章
猜你喜歡
類似文章
Python機器學習(十)經(jīng)典算法大全
9種常用的機器學習算法實現(xiàn)
sklearn庫的學習
機器學習之回歸算法
硬投票和軟投票
ML之SVM:基于sklearn的svm算法實現(xiàn)對支持向量的數(shù)據(jù)進行標注
更多類似文章 >>
生活服務
熱點新聞
分享 收藏 導長圖 關注 下載文章
綁定賬號成功
后續(xù)可登錄賬號暢享VIP特權!
如果VIP功能使用有故障,
可點擊這里聯(lián)系客服!

聯(lián)系客服