spark 模型选择与超参调优 机器学习可以简单的归纳为 通过数据训练y = f(x) 的过程，因此定义完训练模型之后，就需要考虑如何选择最终我们认为最优的模型。 如何选择最优的模型，就是本篇的主要内容： 模型验证的方法 超参数的选择 评估函数的选择 模型验证 ...

上一讲中主要描述了机器学习特征工程的基本流程，其内容在这里：机器学习（一）特征工程的基本流程 本次主要说明如下： 　　1）数据处理：此部分已经在上一节中详细讨论 　　2）特征工程：此部分已经在上一节中详细讨论 　　3）模型选择 　　4）交叉验证 　　5）寻找最佳超参数 首先看下总图 ...

在做数据处理时，需要用到不同的手法，如特征标准化，主成分分析，等等会重复用到某些参数，sklearn中提供了管道，可以一次性的解决该问题 先展示先通常的做法 先对数据标准化，然后做主成分分析降维，最后做回归预测 现在使用管道 ...

在做数据处理时，需要用到不同的手法，如特征标准化，主成分分析，等等会重复用到某些参数，sklearn中提供了管道，可以一次性的解决该问题 先展示先通常的做法 先对数据标准化，然后做主成分分析降维，最后做回归预测 现在使用管道 Pipeline对象接收元组 ...

...

...

前言 实现分类可以使用SVM方法，但是需要人工调参，具体过程请参考here，这个比较麻烦，小鹅不喜欢麻烦，正好看到SVM可以自动调优，甚好！ 注意 1.reshape的使用； https://docs.opencv.org/3.3.1/d3/d63 ...

特征工程是机器学习当中很重要的部分，可以帮助我们设计、创建新特征，以便模型从中提取重要相关性。本文将记录并持续更新相关特征工程的工具包介绍，包括自动模型选择和超参数调优等各方面。 · Featuretools Featuretools 是一个开源的Python 库，用于自动化 ...