一、sklearn中自帶的回歸算法
1. 算法
另外，skilearn中自帶保存模型的方法，可以把訓練完的模型在本地保存成.m文件，方法如下：
keras也可以把模型保存成.h5文件，方法如下：
pybrain可以把模型保存成xml文件，方法如下：
2. 評價標准
- mae(平均絕對誤差)
平均絕對誤差是絕對誤差的平均值, MAE的值越小，說明預測模型描述實驗數據具有更好的精確度。
其中，fi表示預測值,yi表示真實值。
Examples
1 from sklearn.metrics import mean_absolute_error 2 y_true=[3,-0.5,2,7] 3 y_pre=[2.5,0.0,2,8] 4 mean_absolute_error(y_true,y_pred)
- mse(均方誤差)
MSE: Mean Squared Error
均方誤差是指預測值與真實值之差平方的期望值，MSE的值越小，說明預測模型描述實驗數據具有更好的精確度。
Examples
1 from sklearn.metrics import mean_squared_error 2 y_true=[3,-0.5,2,7] 3 y_pre=[2.5,0.0,2,8] 4 mean_sqared_error(y_true,y_pred)
二、sklearn中自帶的分類算法
1.
線性回歸+二分類
2.
朴素貝葉斯+多分類
3.
決策樹+多分類
4.
邏輯回歸+多分類
5.
隨機森林+多分類
6.
支持向量機+單分類
7. skilearn中多分類器總結
8.
sklearn中多類別和多標簽算法
9. sklearn中多分類評價指標