空字符

1. Support Vector Machines支持向量机（SVM）是一组用于分类（classification）， 回归(regression)和异常值检测(outliers detection)的监督学习方法。支持向量机的优点是：在高维空间有效。在维度数量大于样本数量的情况下仍然有效。在决策功能（称为支持向量）中使用训练点的子集，因此它也是内存有效的。多功能：可以为决策功能指定不同的

本文主要介绍sklearn中关于朴素贝叶斯模型的用法,其中主要包含以下两类模型:离散型:所有维度的特征都是离散型的随机变量连续型:所有维度的特征都是连续型的随机变量1.sklearn.naive_bayes.MultinomialNB多项式朴素贝叶斯(Multinomial Naive Bayes),即所有特征都是离散型的随机变量(例如在做文本分类时所使用的词向量就是离散型的).在sklear

本文主要介绍一下sklearn中分类决策树的简单用法。决策树优点： 1.简单易于理解，能够可视化； 2.训练集规模不大，值得注意的是该模型不接受缺失值； 3.使用代价仅为训练样本数取对数； 4.既能够处理数值型数据集(numerical)也能够处理标签型(categorical)数据集 5.能够处理多输出问题； 6.能够用布尔逻辑来表示一种情况的决策过程，不像神经网络完全黑箱； 7.性

本文主要介绍两个类的基本使用，CountVectorizer与TfidfVectorizer，这两个类都是特征数值计算的常见方法。对于每一个训练文本，CountVectorizer只考虑每种词汇在该训练文本中出现的频率，而TfidfVectorizer除了考量某一词汇在当前训练文本中出现的频率之外，同时关注包含这个词汇的其它训练文本数目的倒数。相比之下，训练文本的数量越多，TfidfVectoriz

1.sklearn.linear_model.logistic regression一般来说，逻辑回归用梯度下降算法来求解参数比较常见；所以这也导致一开始误以为LogisticRegression模型就是用梯度下降算法来实现的，当遇到SGDClassifier（Stochastic Gradient Descent）随机梯度下降分类器的时候，就有点蒙了。梯度下降明明是一个求解算法，怎么就和分类器扯上

本文介绍的是如何利用scikit learn中的feature_selection模块来筛选最佳特征。1.读取数据并进行填充titanic=pd.read_csv('./titanic.txt')# print titanic.head()# print titanic.info()#分离数据特征与预测目标y=titanic['survived'] # 提取出survived

1.简单交叉验证简单交叉验证方法是:首先随机地将已给数据分为两个部分,一部分作为训练集,一部分作为测试集;其中最常见的分割方式就是70%作为训练集,30%作为测试集;然后用训练集在各种不同模型下(参数不同)进行训练,从而得到不同的模型;最后选出测试误差最小的模型,作为最终模型.举例: 例如用支持向量机(用法戳此处)来对iris数据集进行分类.一开始时我们不知道用多项式核函数好,还是径向基核...