passengerid: 乘客 ID class: 舱位等级 (1 = 1st, 2 = 2nd, 3 = 3rd)** name: 乘客姓名 sex: 性别 age: 年龄 sibsp: 在船上的兄弟姐妹/配偶个数 parch: 在船上的父母/小孩个数 ticket: 船票信息 fare: 票价 cabin: 客舱 embarked: 登船港口 (C = Cherbourg, Q = Queenstown, S = Southampton) survived: 变量预测为值 0 或 1(这里 1 表示幸存,0 表示遇难)
2022-10-03 14:05:41 62KB python 机器学习 数据分析
1
4个变量的数据集,仅用于学习
2022-10-01 21:05:30 12KB 机器学习
1
Organize Machine Learning Projects
2022-09-30 16:09:46 1.01MB Python开发-机器学习
1
20200131-清华大学人工智能研究院-人工智能行业:人工智能之机器学习2020年第1期.pdf
2022-09-30 14:08:08 11.05MB
1
采用KNN算法对鸢尾花品种分类与预测,预测的准确率达到了96.97%,可用于故障诊断与模式识别领域。具体步骤如下: # 加载数据集 # 通过Matplotlib绘制鸢尾花每个品种的各个特征平均值的柱状图 # 划分数据集,留出法的实现数据集 # 对训练集和测试集进行索引重置,分别重置为从0开始的连续索引,得到训练集标签数据train_label、测试集标签数据test_label # 训练集特征数据train_fea、测试集特征数据test_fea # 数据归一化,由于不同特征的取值有明显的差别,取值较大的特征,特征变化往往比较大,这样会导致计算的距离结果更多地受到取值较大的特征变化的影响 # 数据集的多维特征对于距离计算是同等重要的,对特征进行归一化,即将特征的取值范围映射到0~1之间 # 建立评估函数,通过评估指标来评估模型预测的正确率
1
逻辑回归预测良性和恶性乳腺肿瘤实现二分类(使用 scikit-learn 和 XGBoost 两种方式),可扩展应用到小样本数据的故障诊断领域二分类问题 # 使用逻辑回归预测乳腺肿瘤是良性的还是恶性的 # 数据集为乳腺癌数据集,通过细胞核的相关特征来预测乳腺肿瘤为良性/恶性,这是一个非常著名的二分类数据集 # 数据集包含569个样本,其中有212个恶性肿瘤样本,357个良性肿瘤样本 # 共有32个字段,字段1为ID,字段2为label,其他30个字段为细胞核的相关特征 # scikit-learn实现逻辑回归 # XGBoost 实现逻辑回归 # XGBoost在预测结果上和scikit-learn有些差别,XGBoost的预测结果是概率,而scikit-learn的预测结果是0或1的分类,需要用户自己对其进行转化,程序能够实现scikit-learn 和XGBoost的概率输出和0或1分类输出 # 使用评估指标对分类和预测结果进行评估, 实现scikit-learn 和 XGBoost 两种逻辑回归方式对比分析
1
机器学习基础教程(Rogers)内的源码,包含.m和.r文件,大家下载学习吧!
2022-09-29 17:33:39 13.07MB machine learning
1
DHU机器学习课程KDE核密度估计图像处理大作业报告(含全部程序截图+实验结果图+结果分析+拓展题)
2022-09-29 16:14:35 1.67MB KDE 核密度估计 机器学习 东华大学
1
机器学习 Parag Singla教授教授的机器学习课程作业。 每个文件夹都包含问题说明,Python代码和最终报告(具有图形等)。 作业 线性回归 局部加权线性回归 逻辑回归 高斯判别分析 朴素贝叶斯 SVM(使用Pegasos和libsvm) 决策树 神经网络 K均值 PCA +支持向量机 PyTorch中的神经网络 在PyTorch / Keras中的CNN
2022-09-29 11:06:11 4.03MB machine-learning svm naive-bayes linear-regression
1
吴恩达令人醍醐灌顶的ML课程PPT
2022-09-29 10:05:05 7.99MB 机器学习 吴恩达
1