机器学习- Sklearn (交叉验证和Pipeline)
前面一节咱们已经介绍了决策树的原理已经在sklearn中的应用。那么这里还有两个数据处理和sklearn应用中的小知识点咱们还没有讲，但是在实践中却会经常要用到的，那就是交叉验证cross_validation和Pipeline。cross_validation是保证了咱们的模型不受数据分布的影响 ...
原文：机器学习sklearn（三十一）：Pipeline（管道）和 FeatureUnion（特征联合）: 合并的评估器
变换器 Transformers 通常与分类器，回归器或其他的学习器组合在一起以构建复合估计器。 完成这件事的最常用工具是Pipeline。 Pipeline 经常与 FeatureUnion 结合起来使用。 FeatureUnion 用于将变换器 transformers 的输出串联到复合特征空间 composite feature space 中。 TransformedTargetRegre ...
2021-06-20 13:30 0 182 推荐指数：
相关推荐
机器学习sklearn（二十）： 特征工程（十一）特征编码（五）类别特征编码（三）独热编码 OneHotEncoder
另外一种将标称型特征转换为能够被scikit-learn中模型使用的编码是one-of-K， 又称为 独热码或dummy encoding。 这种编码类型已经在类OneHotEncoder中实现。该类把每一个具有n_categories个可能取值的categorical特征变换为长度 ...
sklearn 中的 Pipeline 机制 和FeatureUnion
一、pipeline的用法 pipeline可以用于把多个estimators级联成一个estimator，这么 做的原因是考虑了数据处理过程中一系列前后相继的固定流程，比如feature selection->normalization->classification ...
机器学习sklearn（二十二）： 模型评估（二）交叉验证：评估估算器的表现（二）计算交叉验证的指标
计算交叉验证的指标 使用交叉验证最简单的方法是在估计器和数据集上调用 cross_val_score 辅助函数。 下面的示例展示了如何通过分割数据，拟合模型和计算连续 5 次的分数（每次不同分割）来估计 linear kernel 支持向量机在 iris 数据集上的精度: 评分 ...
机器学习sklearn（十二）： 特征工程（三）特征组合与交叉（一）多项式特征
在机器学习中，通过增加一些输入数据的非线性特征来增加模型的复杂度通常是有效的。一个简单通用的办法是使用多项式特征，这可以获得特征的更高维度和互相间关系的项。这在 PolynomialFeatures 中实现: 注意，当使用多项 ...
机器学习sklearn（十五）： 特征工程（六）特征选择（一）主成分分析PCA
。 在 scikit-learn 中， PCA 被实现为一个变换器对象， 通过 fit 方法可以拟合出 n 个 ...
二、机器学习模型评估
二、机器学习模型评估 2.1 模型评估：基本概念 错误率(Error Rate) 预测错误的样本数a占样本总数的比例m \[E=\frac{a}{m} \] 准确率(Accuracy) 准确率=1-错误率准确率=1−错误率 误差 ...