lcqin111的博客

https://gregorygundersen.com/blog/2020/04/11/moments/四个第一统计矩为：1.均值2.方差3.偏度E[(σx​X−μx​​)^3^]4.峰度 E[(σX−μ​)^4^]

在文本分类中，经常使用到TfidfVectorizer()函数，这个函数把词转换为向量，TF是词频，idf是逆文本频率，idf表现一个词在所有文本中出现的频率，它出现的越多说明越不重要，idf即是一个词的重要程度体现，越高越重要。在使用这个函数的时候，需要注意的是，它所输出的结果是一个scipy.sparse.csr.csr_matrix，我们在将结果输入到模型中的时候，需要注意模型是否支持这...

sklearn.calibration.CalibratedClassifierCV概率校准是对分类的一个补充，优化算法或者验证算法的最优性。这个博客上解释的非常好

X_new = SelectKBest(chi2, k=2).fit_transform(X, y)在使用类似SelectKBest的时候，使用fit.transform可以直接得到转换好的数据集对于回归: f_regression , mutual_info_regression 对于分类: chi2 , f_classif , mutual_info_classif如果你使用的是稀...

用于小数据量寻找最优参数，该函数参数很多，详情查看：https://scikit-learn.org/stable/modules/generated/sklearn.model_selection.GridSearchCV.html#sklearn.model_selection.GridSearchCV该函数返回一个搜寻对象，类似一下的：GridSearchCV(cv=Strat...

在sklearn包里面，一般predict(X)是给出一个N行1列的标签，而predict_proba(X)是给出概率，几个标签就有几列

转自https://blog.youkuaiyun.com/Tony_Stark_Wang/article/details/80407923很多人都把random_state解释为随机数种子。是不是很懵逼？什么是随机数种子？我也不知道什么是随机数种子。但是，随机数种子是为了保证每次随机的结果都是一样的Example：sklarn可以随机分割训练集和测试集（交叉验证），只需要在代码中引入model_...

转自：https://www.jianshu.com/p/71fde5d90136sklearn.neural_network.MLPClassifier1. hidden_layer_sizes :例如hidden_layer_sizes=(50, 50)，表示有两层隐藏层，第一层隐藏层有50个神经元，第二层也有50个神经元。 2. activation :激活函数,{‘identi...

https://blog.youkuaiyun.com/hurry0808/article/details/80797969

利用 scikit-learn 包中的 train_test_split 辅助函数可以很快地将实验数据集划分为任何训练集（training sets）和测试集（test sets）X_train, X_test, y_train, y_test = train_test_split(... iris.data, iris.target, test_size=0.4, random_...

转自博客https://www.cnblogs.com/crawer-1/p/8870700.html首先我们应该对SVM的参数有一个详细的认知：　　sklearn.svm.SVC 参数说明：本身这个函数也是基于libsvm实现的，所以在参数设置上有很多相似的地方。（PS: libsvm中的二次规划问题的解决算法是SMO）。sklearn.svm.SVC(C=1.0, kernel...

class sklearn.linear_model.LogisticRegression(penalty='l2', dual=False, tol=0.0001, C=1.0, fit_intercept=True, intercept_scaling=1, class_weight=None, random_state=None, solver='liblinear', max_iter=1...

class sklearn.linear_model.LogisticRegression(penalty='l2', dual=False, tol=0.0001, C=1.0, fit_intercept=True, intercept_scaling=1, class_weight=None, random_state=None, solver='liblinear', max_iter=1...