sklearn.linear_model.LinearRegression调用 {代码...} Parametersfit_intercept释义:是否计算该模型的截距。设置:bool型,可选,默认True,如果使用中心化的数据，可以考虑设置为False,不考虑截距。normalize释义:是否对数据进行标准化处理设置:bool型,可选,默认False,建议将标准化的工作放在训练模型之前,通过设置sklearn...
sklearn.decomposition.PCA(n_components=None, copy=True, whiten=False, svd_solver='auto', tol=0.0, iterated_power='auto', random_state=None)参数n_components
语法sklearn.linear_model.Ridge(alpha=1.0,fit_intercept=True, normalize=False,copy_X=True, max_iter=None, tol=0.001, solver='auto', random_state=None)Parametersalpha
在许多情况下，我们需要在迭代数据对性（即我们可以循环的任何对象）时获取元素的索引。实现预期结果的一种方法是：
跟着漂亮小姐姐从0到1学习Tensorflow推荐一个Tensorflow发布的系列视频——“Machine Learning: From Zero to Hero with TensorFlow”（机器学习: 从零到一学习Tensorflow)，每个视频都很简短，有配套的案例代码，非常适合用一个下午的时间完整的熟悉机器学习、神经网络、机器视觉和TensorFlow的基本概念和操作。
推荐两个公开课，在中国大学Mooc上都被评为国家精品公开课，完全免费学习。授课老师是北京理工大学嵩天博士
先重温一下迭代（Iteration）、迭代器对象（iterable）、迭代器（iterator ）的概念：
回归模型的性能的评价指标主要有：RMSE(平方根误差)、MAE（平均绝对误差）、MSE(平均平方误差)、R2_score。但是当量纲不同时，RMSE、MAE、MSE难以衡量模型效果好坏。这就需要用到R2_score，实际使用时，会遇到许多问题，今天我们深度研究一下。
随着现代图像处理和人工智能技术的快速发展，不少学者尝试讲CV应用到教学领域，能够代替老师去阅卷，将老师从繁杂劳累的阅卷中解放出来，从而进一步有效的推动教学质量上一个台阶。
Boosting是一种用来提高弱分类器准确度的算法，是将“弱学习算法“提升为“强学习算法”的过程，主要思想是“三个臭皮匠顶个诸葛亮”。一般来说，找到弱学习算法要相对容易一些，然后通过反复学习得到一系列弱分类器，组合这些弱分类器得到一个强分类器。
本文涉及pandas最常用的36个函数，通过这些函数介绍如何完成数据生成和导入、数据清洗、预处理，以及最常见的数据分类，数据筛选，分类汇总，透视等最常见的操作。
对模型进行评估时，可以选择很多种指标，但不同的指标可能得到不同的结果，如何选择合适的指标，需要取决于任务需求。
在参与的项目和产品中，涉及到模型和算法的需求，主要以自然语言处理（NLP）和知识图谱（KG）为主。NLP涉及面太广，而聚焦在具体场景下，想要生产落地的还需要花很多功夫。作为NLP的主要方向，情感分析，文本多分类，实体识别等已经在项目中得到应用。例如通过实体识别，抽取文本中提及到的公司、个人以及金融产品等。通...
前文对随机森林的概念、工作原理、使用方法做了简单介绍，并提供了分类和回归的实例。本期我们重点讲一下：1、集成学习、Bagging和随机森林概念及相互关系2、随机森林参数解释及设置建议3、随机森林模型调参实战4、随机森林模型优缺点总结
熵最早是一个物理学概念，由克劳修斯于1854年提出，它是描述事物无序性的参数，跟热力学第二定律的宏观方向性有关：在不加外力的情况下，总是往混乱状态改变。熵增是宇宙的基本定律，自然的有序状态会自发的逐步变为混沌状态。1948年，香农将熵的概念引申到信道通信的过程中，从而开创了”信息论“这门学科。香农用“信息熵...
目前计算机视觉（CV）与自然语言处理（NLP）及语音识别并列为人工智能三大热点方向，而计算机视觉中的对象检测(objectdetection)应用非常广泛，比如自动驾驶、视频监控、工业质检、医疗诊断等场景。目标检测的根本任务就是将图片或者视频中感兴趣的目标提取出来，目标的识别可以基于颜色、纹理、形状。其中颜色属性运用...
前段时间在阿里云买了一台服务器，准备部署网站，近期想玩一些深度学习项目，正好拿来用。TensorFlow官网的安装仅提及Ubuntu，但我的ECS操作系统是 CentOS 7.6 64位，搭建Python、TensorFlow、Jupyter开发环境过程中遇到很多问题。这里将具体步骤分享给大家，可以少走很多弯路。
几张GIF理解K-均值聚类原理k均值聚类数学推导与python实现前文说了k均值聚类，他是基于中心的聚类方法，通过迭代将样本分到k个类中，使每个样本与其所属类的中心或均值最近。
同学们知道，我们在百度网盘分享文件的时候，一般都会设置一个提取码，以保障传播范围及私密性，只有输入提取码才能下载分享的资料。很多同学在云盘搜等网站找百度网盘学习资料时，经常会遇到只有云链接，但是没有提取码的尴尬。这里向大家推荐一款神器——百度云盘万能钥匙有着这把钥匙，就可以畅行无阻了。
1、k均值聚类模型给定样本，每个样本都是m为特征向量，模型目标是将n个样本分到k个不停的类或簇中，每个样本到其所属类的中心的距离最小，每个样本只能属于一个类。用C表示划分，他是一个多对一的函数，k均值聚类就是一个从样本到类的函数。2、k均值聚类策略k均值聚类的策略是通过损失函数最小化选取最优的划分或函数。...
