部署前在整个数据集上进行训练-[共6页]-180-Python机器学习——预测分析核心算法-人民邮电出版社-[美] Michael Bowles 鲍尔斯 著.pdf-[美] Michael Bowles 鲍尔斯-人民邮电出版社
文本预览下载声明
162第5章使用惩罚线性方法来构建预测模型这意味着+/-sigma的错误大约在1.3倍个单位口感得分范围内。所以，Y做归一化并不会对结果有本质差异。X做归一化的
显示全部
文档详情
相似文档
-
利用Python Pandas对“岩石vs.水雷”数据集进行统计分析-[共3页]-51-Python机器学习——预测分析核心算法-人民邮电出版社-[美] Michael Bowles 鲍尔斯 著.pdf-[美] Michael Bowles 鲍尔斯-人民邮电出版社
32第2章通过理解数据来了解问题那么如何利用这些信息？异常点在建模或预测期间都会带来麻烦。基于此数据集训练完一个模型后，可以查看此模型预测错误的情况，然后确认此
-
用梯度提升法对玻璃进行分类-[共5页]-324-Python机器学习——预测分析核心算法-人民邮电出版社-[美] Michael Bowles 鲍尔斯 著.pdf-[美] Michael Bowles 鲍尔斯-人民邮电出版社
306第7章用Python构建集成模型7.5.3用梯度提升法对玻璃进行分类代码清单7-9除了一些小的差异外，其基本步骤与上节的使用随机森林对玻璃进行分类的过程基本一致。代码清单7-9使用梯度提
-
用随机森林对玻璃进行分类-[共4页]-318-Python机器学习——预测分析核心算法-人民邮电出版社-[美] Michael Bowles 鲍尔斯 著.pdf-[美] Michael Bowles 鲍尔斯-人民邮电出版社
300第7章用Python构建集成模型此节介绍了如何用集成方法解决二分类问题。在很多方面，使用集成方法解决二分类问题与回归问题基本相同，可以注意到初始化RandomForestRegressor所需的参数与初始化RandomForestCl
-
如何训练一个二元决策树-[共4页]-225-Python机器学习——预测分析核心算法-人民邮电出版社-[美] Michael Bowles 鲍尔斯 著.pdf-[美] Michael Bowles 鲍尔斯-人民邮电出版社
6.1二元决策树207最上面的节点又叫根节点（ro
-
决策树的训练等同于分割点的选择-[共3页]-229-Python机器学习——预测分析核心算法-人民邮电出版社-[美] Michael Bowles 鲍尔斯 著.pdf-[美] Michael Bowles 鲍尔斯-人民邮电出版社
6.1二元决策树2116.1.3决策树的训练等同于分割点的选择代码清单6-2的第一步是运行scikitlearn的regressiontree包，并指定决策树的
-
“岩石vs.水雷”数据集统计特征-[共3页]-46-Python机器学习——预测分析核心算法-人民邮电出版社-[美] Michael Bowles 鲍尔斯 著.pdf-[美] Michael Bowles 鲍尔斯-人民邮电出版社
2.2分类问题：用声纳发现未爆炸的水雷272.2.2“岩石vs.水雷”数据集统计特征确定哪些属性是类别型，哪些是数值型之后，下一步就是获得数值型属性的描述性统
-
“岩石vs.水雷”数据集的物理特性-[共4页]-42-Python机器学习——预测分析核心算法-人民邮电出版社-[美] Michael Bowles 鲍尔斯 著.pdf-[美] Michael Bowles 鲍尔斯-人民邮电出版社
2.2分类问题：用声纳发现未爆炸的水雷23具有缺失数据的行数（加上具体缺失的项数），就可以知道如果采用最简单的方法，则实际上抛弃了多少数据。如果你有大量的数据，例如正在收集互联网上的数据，那么丢失的数据相对于你获得的数据总量应该是微不足道的
-
用Python梯度提升法探测未爆炸水雷-[共7页]-307-Python机器学习——预测分析核心算法-人民邮电出版社-[美] Michael Bowles 鲍尔斯 著.pdf-[美] Michael Bowles 鲍尔斯-人民邮电出版社
7.4用Python集成方法解决二分类问题289图7-14是最重要的前30个属性的重要性排名。在水雷检测的问题中，不同的属性对应不同频率的声纳信号，即不同波长的信号。如果要求设计一个机器学习系统来解决这个问题
-
对鲍鱼性别属性编码引入Python随机森林回归方法-[共3页]-289-Python机器学习——预测分析核心算法-人民邮电出版社-[美] Michael Bowles 鲍尔斯 著.pdf-[美] Michael Bowles 鲍尔斯-人民邮电出版社
7.3Python集成方法引入非数值属性271能很差。图7-6Bagging方法预测红酒口感：误差与决策树数目的关系（决策树深度为8，bagfraction=0
-
Bagging算法是如何工作的-[共11页]-237-Python机器学习——预测分析核心算法-人民邮电出版社-[美] Michael Bowles 鲍尔斯 著.pdf-[美] Michael Bowles 鲍尔斯-人民邮电出版社
6.2自举集成：Bagging算法219假设一个类别属性包含A、B、C三类，可能的分割方式是：A在一个子集，B、C在另外一个子集，或者B在一个子集，A、C在另外一个子集，诸如
-
为什么这两类算法如此有用-[共5页]-20-Python机器学习——预测分析核心算法-人民邮电出版社-[美] Michael Bowles 鲍尔斯 著.pdf-[美] Michael Bowles 鲍尔斯-人民邮电出版社
第1章关于预测的两类核心算法本书集中于机器学习领域，只关注那些最有效和获得广泛使用的算法。不会提供关于机器学习技术领域的全面综述。这种全面性的综述往往会提供太多的算法，但是这些算法并没有在从业
-
构建随机森林模型来预测红酒口感-[共7页]-269-Python机器学习——预测分析核心算法-人民邮电出版社-[美] Michael Bowles 鲍尔斯 著.pdf-[美] Michael Bowles 鲍尔斯-人民邮电出版社
第7章用Python构建集成模型本章使用Python工具包利用第6章介绍的集成方法构建预测模型。解决的问题在第2章中已介绍过。第5章介绍了如何使用惩罚线性回归来构建预测模型解决上述问题。本章使用集成方法来解决
-
基于因素变量的实数值预测：鲍鱼的年龄-[共6页]-64-Python机器学习——预测分析核心算法-人民邮电出版社-[美] Michael Bowles 鲍尔斯 著.pdf-[美] Michael Bowles 鲍尔斯-人民邮电出版社
2.4基于因素变量的实数值预测：鲍鱼的年龄45plot.pcolor(corMat)plot.show()图2-8展示属性对相关性的热图属性之间如果完全相关（
-
用实数值属性预测实数值目标：评估红酒口感-[共6页]-76-Python机器学习——预测分析核心算法-人民邮电出版社-[美] Michael Bowles 鲍尔斯 著.pdf-[美] Michael Bowles 鲍尔斯-人民邮电出版社
2.5用实数值属性预测实数值目标：评估红酒口感57可以采用鲍鱼数据分析同样的工具。因为所有属性都是数值型，分析时可以包含所有的属性，如计算相关性时。2.5用实数
-
构建并测试模型以预测红酒口感-[共5页]-175-Python机器学习——预测分析核心算法-人民邮电出版社-[美] Michael Bowles 鲍尔斯 著.pdf-[美] Michael Bowles 鲍尔斯-人民邮电出版社
5.2多变量回归：预测红酒口感157也可以将该问题转换为多分类问题，即该问题包含6种可能的类别（整数3～8）。但是作为分类问题会忽略不同得分之间存在的顺序关系（如5比6差，但比4好），所以回归