Chris683的博客

sklearn——递归特征消除法（RFE）1 作用消除特征之间的冗余，选取最优特征组合。降低特征维数。2 步骤将筛选的k个特征作为初始特征子集输入到随机森林分类器中，计算得到每个特征的重要性，并利用交叉验证方法得到初始特征子集的分类精度；从当前特征子集中移除特征重要性最低的一个特征，得到一个新的特征子集，再次输入到随机森林分类器中，计算新的特征子集中每个特征的重要性，并利用交叉验证方法得到新的特征子集的分类精度。递归的重复步骤2，直至特征子集为空，最后一共得到k个不同特征数量的特征子集，

粒子群优化支持向量机代码import pandas as pdimport numpy as npimport randomfrom sklearn.svm import SVCimport matplotlib.pyplot as pltfrom sklearn.model_selection import cross_val_predictfrom sklearn.metrics import confusion_matrixfrom sklearn.preprocessing impo

sklearn学习——特征处理特征提取(feature extraction):从文字，图像，声音等其他非结构化数据中提取新信息作为特征。比如说，从淘宝宝贝的名称中提取出产品类别，产品颜色，是否是网红产品等等。特征创造(feature creation):把现有特征进行组合，或互相计算，得到新的特征。比如说，我们有一列特征是速度，一列特征是距离，我们就可以通过让两列相处，创造新的特征：通过距离所花的时间。特征选择(feature selection):从所有的特征中，选择出有意义，对模型有帮助的

sklearn学习——数据预处理模块：sklearn.preprocessing1 数据归一化处理归一化之后的数据服从正态分布，公式如下：在sklearn当中，我们使用preprocessing.MinMaxScaler来实现这个功能。MinMaxScaler有一个重要参数，feature_range，控制我们希望把数据压缩到的范围，默认是[0,1]。代码：# 导入库from sklearn.preprocessing import MinMaxScalerimport pandas as

sklearn学习——随机森林分类和回归1 分类class sklearn.ensemble.RandomForestClassifier (n_estimators=’10’, criterion=’gini’, max_depth=None,min_samples_split=2, min_samples_leaf=1, min_weight_fraction_leaf=0.0, max_features=’auto’,max_leaf_nodes=None, min_impurity_decr

sklearn学习——决策树回归1 数据集采用采用波士顿房价数据集，下载地址使用sklearn.datasets.load_boston即可加载相关数据。该数据集是一个回归问题。每个类的观察值数量是均等的，共有 506 个观察，13 个输入变量和1个输出变量2 配置环境conda install scilit-learnconda install numpyconda install matplotlib3 代码from sklearn.datasets import load_bos

sklearn学习——决策树分类1 数据集采用红酒数据集load_wine，下载地址共有13个特征，样本标签三个2 配置环境在anaconda配置环境conda install scilit-learnconda install pandasconda install numpyconda install python-graphvizconda install matplotlib3 代码from sklearn import tree #导入需要的

基于python中sklearn库支持向量机多分类代码1 数据集制作小编看过很多关于支持向量机代码的博客，全是都带有自己数据集 像Iris.data，那么怎么把自己的数据给用上呢？1.1 、如图，这是自己需要使用的数据集，ABCD表示数据的特征，E表示样本，分别为0，1，2三种不同的标签，现在我们的任务是通过训练支持向量机模型，从而通过已有的数据特征，来识别样本类型1.2、文件-另存为-选择csv文件格式1.3 后续可以把444.csv后缀改成txt，这两种都可以使用，我下面使用的是txt，如