sklearn学习中的小知识点

以下代码是用于数据集划分，只需要修改config对象中对应的里的Annotations文件夹和JPEGImages文件夹路径即可!

用已知某种或某些特性的样本作为训练集，以建立一个数学模型，再用已建立的模型来预测未知样本，此种方法被称为有监督学习，是最常用的一种机器学习方法。

阿喽哈~小伙伴们，今天我们来唠一唠随机森林 ♣ ♣ ♣随机森林应该是很多小伙伴们在学机器学习算法时最先接触到的集成算法，我们先简单介绍一下集成学习的大家族吧： 在Bagging集成中，需要并行建立多个弱评估器（非线性算法），然后综合多个弱评估器的结果进行输出： 随机森林是bagging家族的代表算法，它的算法思想体现在它的名字上：“随机”和“森林”。首先“森林”是指随机森林的所有基学习器都是决策树，“随机”是指随机从原样本集中抽取样本和特征来训练，并不会使用所有的样本和特征，每棵树独立地有放回抽样，这就保

class sklearn.gaussian_process.GaussianProcessRegressor( kernel=None, *, alpha=1e-10, optimizer='fmin_l_bfgs_b', n_restarts_optimizer=0, normalize_y=False, copy_X_train=True, random_state=None) 1 参数说明 kernel .

机器学习经典案例——鸢尾花的分类，除了有经典的二维数据可视化，还有三维成果数据可视化的简单实现。

numpy的ravel() 和 flatten()函数简介首先声明两者所要实现的功能是一致的（将多维数组降位一维）。这点从两个单词的意也可以看出来，ravel(散开，解开)，flatten（变平）。两者的区别在于返回拷贝（copy）还是返回视图（view），numpy.flatten()返回一份拷贝，对拷贝所做的修改不会影响（reflects）原始矩阵，而numpy.ravel()返回的是视图（vi

Python中函数ravel（）的说明： 一开始是遇到： predictions.append(pred.detach().cpu().numpy().ravel()[0]) # ravel展平, [0]取数值 单独运行发现没有ravel这个函数？而且没找到帮助文档？后来发现在numpy里面有这个函数 ravel的说明文档: mgrid的说明文档： 看文档不够直观，直接看实例，reshape(-1)等同于这个ravel()： 代码： import numpy as np a, b = np.mg

首先声明两者所要实现的功能是一致的（将多维数组降位一维），两者的区别在于返回拷贝（copy）还是返回视图（view），numpy.flatten()返回一份拷贝，对拷贝所做的修改不会影响（reflects）原始矩阵，而numpy.ravel()返回的是视图（view，也颇有几分C/C++引用reference的意味），会影响（reflects）原始矩阵。验证两者的功能>>> x = np.array

** sklearn实现12种回归模型（LinearRegression，KNN，SVR，Ridge，Lasso，MLP，DecisionTree，ExtraTree，RandomForest，AdaBoost，GradientBoost，Bagging） ** 本文主要是针对本人做的一个项目需求，查找合适的回归模型，记录实现过程，仅方便自己以后查找。 本文主要参考的网站有： scikit_learn官方网站 30分钟学会用scikit-learn 十三种回归模型预测房价 1.数据准备 import num

将多维数组转换为一维数组 print(Y_underSampling_trian) 输出带有index的DataFrame格式 Class 6870 1 82147 0 ... [688 rows x 1 columns] 对这个series的values进行ravel() print(Y_underSampling_trian.values.rave...

一、异常检测算法介绍 sklearn.svm.OneClassSVM：对异常值敏感，因此对于异常值检测效果不佳。当训练集不受异常值污染时，此估计器最适合新数据检测；而且，在高维空间中检测异常值，或者不对基础数据的分布进行任何假设都是非常具有挑战性的，而One-class SVM在这些情况下可能会得到有用的结果，如果超参数设置合适的话。 sklearn.covariance.EllipticEnvelope：假定数据为高斯分布并学习一个椭圆。因此，当数据不是高斯分布的单峰时，性能会降低。但是请注意，这个模型估