个人技术分享

机器学习算法（三）：支持向量机（SVM）的sklearn调用

本节只会介绍SVM的一些sklearn的高级API调用接口，具体的理论推导这个模型的推导还是很复杂的，这里就不给出具体的理论了。具体理论还请读者自己想办法查阅资料吧。本来是有打算将理论也在这里附上，但很显然这个模型并不像线性回归和逻辑回归那样简单的几个公式就能够说明的，如果需要在这里讲述明白，需要大量的文字叙述，那么读者还不如去找一本详细介绍该模型的书看。最后面的sklearn网格搜索最优参数的技术很有用，要记得用哟，这个技术是通用适合sklearn里面各种模型的。

【机器学习-09】 | Scikit-Learn工具包进阶指南：Scikit-Learn工具包之高斯混合sklearn.mixture模块研究

高斯混合模型（Gaussian Mixture Model，简称GMM）是一种概率性的聚类算法，它假设数据是由若干个高斯分布混合而成的。每个高斯分布对应一个聚类，而GMM的目标就是找出这些高斯分布的参数以及每个样本属于这些聚类的概率。

sklearn之logistic回归

logistic regression被称之为logistic回归，对于logistic这个单词来说，他本身的翻译其实不太容易，比较有名的译法是对数几率回归，我也认为这种译法是比较合适的，虽然并非logistic的本意，但却是最贴切这个算法本身的译法。如果直接拟合比较困难，那我们可以将输出值变化一下，从一个非0即1的问题变成涨跌的概率问题，那么概率是连续值，我们就又回到了从连续值到连续值的映射，这似乎就还是回归的内容。用最直觉的想法，就是涨的概率大于不涨的概率就可以了，那么我们就可以设涨的概率是。

【sklearn | 3】时间序列分析与自然语言处理

通过本篇进阶教程，我们学习了 sklearn 中的时间序列分析和自然语言处理的基本方法。时间序列分析包括特征提取、时间序列拆分和预测模型，而自然语言处理涵盖了文本特征提取和文本分类。希望这些知识能在你的实际项目中有所帮助，并激发你进一步探索更复杂的时间序列和自然语言处理技术。

sklearn监督学习--k近邻算法

这一算法对于有很多特征（几百或更多）的数据集往往效果不好，对于大多数特征的大多数取值都为0的数据集来说，这一算法的效果尤其不好。与之相反，如果你的模型过于简单，那么你可能无法抓住数据的全部内容以及数据中的变化，你的模型甚至在训练集上的表现就很差。但是，如果我们的模型过于复杂，我们开始过多关注训练集中每个单独的数据点，模型就不能很好地泛化到新数据上。k-NN算法最简单的版本只考虑一个最近邻，也就是与我们想要预测的数据点最近的训练数据点。可以发现，左上角新数据点的预测结果与只用一个邻居时的预测结果不同。

sklearn机器学习编程练习大全（二）

得到如下结果：array([‘yes’, ‘yes’, ‘no’, ‘yes’, ‘no’, ‘yes’], dtype=object)如何对target列进行数值的编码，转换成1、0的形式？如何查看该数组中的元素对应的是原来的哪个分类呢？DataFrame如下，如何对score列进行one-hot编码？2、如何将IRIS数据集转换成DataFrame形式？如何将以上的DataFrame变成如下的DataFrame？1、如何加载IRIS数据集？3、拆分训练和测试集。

机器学习之sklearn基础教程

本教程从基础原理到实践案例，以通俗易懂的风格，为你讲解了sklearn的核心内容。无论是初学者还是有一定经验的机器学习从业者，都能从中受益。在第一篇中，我们介绍了机器学习的基本概念和sklearn的背景，并提供了安装sklearn的方法。第二篇着重讲解了数据预处理和特征工程的重要性，以及如何在sklearn中进行相关操作。第三篇聚焦于模型选择和评估，包括交叉验证和常见的模型评估指标。第四篇深入介绍了模型预测和评估的方法，以及如何调优模型。第五篇介绍了特征选择和降维的技术，并提供了示例代码演示。