机器学习分类模型的比较 应用了LogisticRegression，SVM，RandomForest分类算法。 使用GridSearchCV可以找到所有模型的最佳超参数。 然后评估模型性能（混淆矩阵，精度，召回率，ROC AUC），并从业务影响角度解释性能（误报与误报）。

接收器工作特性 接收器工作特性曲线或ROC曲线是一个图形图，它说明了二元分类器系统的鉴别阈值变化时的诊断能力。 安装 $ npm i ml-roc 用法 import { roc , auc , getLabelsData } from 'ml-roc' ; const target = [ 'class1' , 'class1' , 'class1' , 'class2' , 'class2' , 'class2' ] ; const classes = getLabelsData ( t

ML性能评估：此存储库包括基于接收器工作特性（ROC）曲线和累积精度曲线（CAP）曲线的分类结果分析

降雨预报 通过使用澳大利亚的降雨数据集来预测明天是否会下雨的项目。此项目在很多ml模型（例如catboost，xgboost，随机森林，支持向量分类器等）上进行了测试。在这些模型中，catboost的表现非常出色给出的AUC得分和ROC得分都远胜于其他的89。 这里由于我的系统兼容性非常低。 所以我还没有完成超参数调整。 但是强烈建议您尽可能这样做。 网站链接： 测试值 下雨天： 晴天： 科技栈 前端：HTML，CSS，Bootstrap 后端：烧瓶 IDE：Jupyter笔记本，Pycha

机器学习基础 更好地理解机器学习所需的重要主题。 功能选择 假设检验 Univaraite Bivaraite和Multivaraite分析 超参数优化-XGBoost 主成分分析 使用ROC曲线选择正确的阈值