99999久久久久久亚洲,欧美人与禽猛交狂配,高清日韩av在线影院,一个人在线高清免费观看,啦啦啦在线视频免费观看www

<tr id="oamps"><td id="oamps"></td></tr>

<nav id="oamps"><label id="oamps"></label></nav>

熱線電話：13121318867

登錄

hunter.Z

決策樹CART樹的二分與基尼系數(shù)、信息增益率是否有關(guān)？

答：cart樹本身實(shí)現(xiàn)的時候就是二分的二叉樹，cart算法先對數(shù)據(jù)進(jìn)行二分，然后再計算基尼系數(shù)這個指標(biāo)，最后根據(jù)基尼系數(shù)這個指標(biāo)去尋找最優(yōu)切分點(diǎn)。所以cart樹的二分與基尼系數(shù)、信息增益率無關(guān)。

43.4504

1

0

0

關(guān)注作者

收藏

hunter.Z

決策樹中的cv 參數(shù)怎么理解？

答：cv指的是scikit-learn的GridSearchCV做K折交叉驗(yàn)證時的k參數(shù)，k折交叉驗(yàn)證的邏輯是這樣的：1、首先，將全部樣本劃分成k個大小相等的樣本子集；2、依次遍歷這k個子集，每次把當(dāng)前子集作為驗(yàn)證集，其余所有樣本作為訓(xùn)練集，進(jìn)行模型的訓(xùn)練和評估；3、最后把k次評估指標(biāo)的平均值作為最終的評估指標(biāo)。在實(shí)際實(shí)驗(yàn)中，k通常取10.

43.4504

1

0

0

關(guān)注作者

收藏

hunter.Z

決策樹的參數(shù)問題

這兩個參數(shù)是什么含義？答：這是決策樹的剪枝用的超參數(shù)，min_samples_split ：當(dāng)前節(jié)點(diǎn)至少有多少個樣本才能分裂。min_samples_leaf ：當(dāng)前節(jié)點(diǎn)分裂后每個葉節(jié)點(diǎn)至少有多少樣本通過這兩個超參數(shù)來訓(xùn)練決策樹模型，最終得到最優(yōu)的決策樹模型。

43.4504

1

0

0

關(guān)注作者

收藏

fs陳曉亮

Sklearn聚類算法之Agglomerative Clustering

請問有人用過Sklearn聚類算法之Agglomerative Clustering嗎？有沒有模型的使用方法呢？

0.0000

1

0

0

關(guān)注作者

收藏

CDA持證人阿濤哥

關(guān)于時間序列LSTM 參數(shù)一

1, ts_predictions = model.predict(X_test) 把符合要求的數(shù)據(jù)X_test輸入給預(yù)測模型, 輸出值為預(yù)測值2, reality=scaler.inverse_transform(ts_predictions) 將LSTM 預(yù)測出的預(yù)測值輸入轉(zhuǎn)換為實(shí)際數(shù)據(jù)值

123.8787

2

0

0

關(guān)注作者

收藏

唏噓不已啊

大家好啊，多多關(guān)照哈

大家好啊，多多關(guān)照哈

179.1194

5

1

0

關(guān)注作者

收藏

ermutuxia

熵和信息的概念

信息的基本作用就是減少人們對事物的不確定性，或者是增加對事物的確定性。不確定性函數(shù)f是概率P的減函數(shù)P增加——>不確定性減少——>信息熵減少——>信息增益為正。p越大，不確定性越小，信息（驚奇度）越少信息=驚奇度信息增益：熵 - 條件熵。表示在一個條件下，信息不確定性減少的程度。變量的不確定性越大，熵也就越大，把它搞清楚所需要的信息量也就越大。我們?nèi)绾蝸砗饬啃畔⒘康亩嗌?/a>

關(guān)注作者

圖片上傳不成功怎么辦？

圖片上傳不成功怎么辦？

18.8496

1

1

0

關(guān)注作者

收藏

啊啊啊啊啊吖

老師問下，什么時候才會需要實(shí)例化

-----實(shí)例化說吧了傳參，賦給一個新變量，這里也可以直接接KNeighborsClassifier().fit(Xtrain,Ytrain)，多些代碼，使用model.方法會少些很多code

46.1224

2

0

0

關(guān)注作者

收藏

liting李

XGBT importance_type 參數(shù)解釋

importance_type (str, 默認(rèn)值為 'weight') – 選擇輸出的哪一種重要程度。可選的5類重要程度如下所示：(1)"weight"：在所有的樹中，一個feature總共多少次被用于分割數(shù)據(jù)。分析：這個指標(biāo)是一個變量被用于分割的絕對次數(shù)，這就造成了這個指標(biāo)的缺點(diǎn)。對于定類變量和定序變量，由于他們天生能用于分割的點(diǎn)就比較少，很容易被"weight"指標(biāo)所忽略。一個簡單的例子就是

54.8496

2

0

0

關(guān)注作者

收藏

liting李

有個問題請教下，xgb模型，如果importance_type="gini"，是不是就無法輸出特征重要性？

問：有個問題請教下，xgb模型，如果importance_type="gini"，是不是就無法輸出特征重要性？答：不是這樣理解的，這個參數(shù)用默認(rèn)就好，每個節(jié)點(diǎn)的信息是按照gini算得，也可以用別的算的，沒必要再算gini，不影響結(jié)果輸出

54.8496

2

0

0

關(guān)注作者

收藏

啊啊啊啊啊吖

提問：安裝Graphviz,老師，這一步在哪找啊

-----所謂命令行，在win系統(tǒng)中就是運(yùn)行功能，菜單鍵+r調(diào)用輸入cmd進(jìn)入

48.0000

1

0

0

關(guān)注作者

收藏

liting李

特征選擇中什么是過濾式？

濾式方法先對數(shù)據(jù)集進(jìn)行特征選擇，然后再訓(xùn)練學(xué)習(xí)器。特征選擇過程與后續(xù)學(xué)習(xí)器無關(guān)，這相當(dāng)于先對初始特征進(jìn)行“過濾”，再用過濾后的特征訓(xùn)練模型。過濾式選擇的方法有：??1. 移除低方差的特征；??2. 相關(guān)系數(shù)排序，分別計算每個特征與輸出值之間的相關(guān)系數(shù)，設(shè)定一個閾值，選擇相關(guān)系數(shù)大于閾值的部分特征；??3. 利用假設(shè)檢驗(yàn)得到特征與輸出值之間的相關(guān)性，方法有比如卡方檢驗(yàn)、t檢驗(yàn)、F檢驗(yàn)等。??4. 互

131.6067

1

0

0

關(guān)注作者

收藏

liting李

訓(xùn)練集、測試集、驗(yàn)證集有什么區(qū)別？

訓(xùn)練集（train set） —— 用于模型擬合的數(shù)據(jù)樣本。驗(yàn)證集（development set）—— 是模型訓(xùn)練過程中單獨(dú)留出的樣本集，它可以用于調(diào)整模型的超參數(shù)和用于對模型的能力進(jìn)行初步評估。在神經(jīng)網(wǎng)絡(luò)中，我們用驗(yàn)證數(shù)據(jù)集去尋找最優(yōu)的網(wǎng)絡(luò)深度（number of hidden layers)，或者決定反向傳播算法的停止點(diǎn)或者在神經(jīng)網(wǎng)絡(luò)中選擇隱藏層神經(jīng)元的數(shù)量；在普通的機(jī)器學(xué)習(xí)中常用的交叉驗(yàn)

239.7347

1

0

0

關(guān)注作者

收藏

liting李

為什么需要交叉驗(yàn)證這種方式

當(dāng)僅有有限數(shù)量的數(shù)據(jù)時，為了對模型性能進(jìn)行無偏估計，我們可以使用k折交叉驗(yàn)證（k-fold cross-validation）。使用這種方法時，數(shù)據(jù)被分成k份數(shù)目相等的子集。我們構(gòu)建k次模型，每次留一個子集做測試集，其他用作訓(xùn)練集。如果k等于樣本大小，這也被稱之為留一驗(yàn)證（leave-one-out）。在kaggle上，一些數(shù)據(jù)集是已經(jīng)對訓(xùn)練集和測試集進(jìn)行了區(qū)分，這種情況我覺得是不用再進(jìn)行數(shù)據(jù)集

239.7347

1

0

0

關(guān)注作者

收藏

liting李

欠擬合如何解決？

欠擬合的情況比較容易克服，常見解決方法有：增加新特征，可以考慮加入進(jìn)特征組合、高次特征，來增大假設(shè)空間；添加多項式特征，這個在機(jī)器學(xué)習(xí)算法里面用的很普遍，例如將線性模型通過添加二次項或者三次項使模型泛化能力更強(qiáng)；減少正則化參數(shù)，正則化的目的是用來防止過擬合的，但是模型出現(xiàn)了欠擬合，則需要減少正則化參數(shù)；使用非線性模型，比如核SVM 、決策樹、深度學(xué)習(xí)等模型；調(diào)整模型的容量(capacity)，通

200.0000

1

0

0

關(guān)注作者

收藏

liting李

決策樹有哪些優(yōu)缺點(diǎn)？

優(yōu)點(diǎn)： 1.概念簡單，計算復(fù)雜度不高，可解釋性強(qiáng)，輸出結(jié)果易于理解； 2.數(shù)據(jù)的準(zhǔn)備工作簡單，能夠同時處理數(shù)據(jù)型和常規(guī)型屬性，其他的技術(shù)往往要求數(shù)據(jù)屬性的單一。 3.對中間值得確實(shí)不敏感，比較適合處理有缺失屬性值的樣本，能夠處理不相關(guān)的特征； 4.應(yīng)用范圍廣，可以對很多屬性的數(shù)據(jù)集構(gòu)造決策樹，可擴(kuò)展性強(qiáng)。決策樹可以用于不熟悉的數(shù)據(jù)集合，并從中提取出一些列規(guī)則這一點(diǎn)強(qiáng)于KNN。缺點(diǎn)： 1.容易

171.4286

1

0

0

關(guān)注作者

收藏

liting李

正則表達(dá)式中re.match與re.search的區(qū)別

re.match只匹配字符串的開始，如果字符串開始不符合正則表達(dá)式，則匹配失敗，函數(shù)返回None；而re.search匹配整個字符串，直到找到一個匹配。例子：import re line = "Cats are smarter than dogs"; matchObj = re.match( r'dogs', line, re.M|re.I)if matchObj: print "match

171.4286

1

0

0

關(guān)注作者

收藏

liting李

sklearn-GridSearchCV,CV調(diào)節(jié)超參使用方法

GridSearchCV，它存在的意義就是自動調(diào)參，只要把參數(shù)輸進(jìn)去，就能給出最優(yōu)化的結(jié)果和參數(shù)。但是這個方法適合于小數(shù)據(jù)集，一旦數(shù)據(jù)的量級上去了，很難得出結(jié)果。這個時候就是需要動腦筋了。數(shù)據(jù)量比較大的時候可以使用一個快速調(diào)優(yōu)的方法——坐標(biāo)下降。它其實(shí)是一種貪心算法：拿當(dāng)前對模型影響最大的參數(shù)調(diào)優(yōu)，直到最優(yōu)化；再拿下一個影響最大的參數(shù)調(diào)優(yōu)，如此下去，直到所有的參數(shù)調(diào)整完畢。這個方法的缺點(diǎn)就是可能會

108.9473

1

0

0

關(guān)注作者

收藏

liting李

決策樹回歸樹中,criterion用哪個?

criterion劃分葉子節(jié)點(diǎn)的標(biāo)準(zhǔn)。分類樹可以選擇’gini’,‘entropy’?；貧w樹可以選擇’mse’,‘mae’,‘friedman_mse’.'friedman_mse’是一種改進(jìn)的mse.默認(rèn)參數(shù)為mse.

133.3333

1

0

0

關(guān)注作者

收藏

123>

CDA考試動態(tài)

考試內(nèi)容

考試地點(diǎn)

CDA報考指南

報名費(fèi)用

聯(lián)系我們

<rt id="0g3t7"></rt>

<wbr id="0g3t7"></wbr>

<tr id="0g3t7"></tr>

<pre id="0g3t7"><dfn id="0g3t7"></dfn></pre>

<bdo id="0g3t7"><var id="0g3t7"></var></bdo>