注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. 贝叶斯思维：统计建模的Python学习法

  2. 第1章 贝叶斯定理 1 1.1 条件概率 1 1.2 联合概率 2 1.3 曲奇饼问题 2 1.4 贝叶斯定理 3 1.5 历时诠释 4 1.6 M&M豆问题 5 1.7 Monty Hall难题 6 1.8 讨论 8 第2章 统计计算 9 2.1 分布 9 2.2 曲奇饼问题 10 2.3 贝叶斯框架 11 2.4 Monty Hall难题 12 2.5 封装框架 13 2.6 M&M豆问题 14 2.7 讨论 15 2.8 练习 16 第3章 估计 17 3.1 骰子问题 17 3.2 火

  3. 所属分类：机器学习

    • 发布日期：2018-03-20
    • 文件大小：116byte
    • 提供者：data2word

  1. python实现的分层随机抽样案例

  2. 主要介绍了python实现的分层随机抽样案例，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧

  3. 所属分类：其它

    • 发布日期：2020-09-17
    • 文件大小：62kb
    • 提供者：weixin_38716081

  1. python 进行各种回归

  2. 基本回归：线性、决策树、SVM、KNN 集成方法：随机森林、Adaboost、GradientBoosting、Bagging、ExtraTrees ##学会了数据分层抽样，以及各种回归的代码书写。可能还需要注意调参等。 继续学习网址：使用sklearn做各种回归 数据准备 from matplotlib import pyplot as plt %matplotlib inline plt.style.use('fivethirtyeight') #设置matplotlib作图风格 impo

  3. 所属分类：其它

    • 发布日期：2020-12-20
    • 文件大小：105kb
    • 提供者：weixin_38697659

  1. python实现的分层随机抽样案例

  2. 昨天写了一段用来做分层随机抽样的代码，很粗糙，不过用公司的2万名导购名单试了一下，结果感人，我觉得此刻的我已经要上天了，哈哈哈哈哈哈 代码如下： #分层随机抽样 stratified sampling import xlrd, xlwt, time, random xl = xlrd.open_workbook(r'C:\Users\Administrator\Desktop\分层抽样.xlsx') xl_sht1 = xl.sheets()[0] xl_sht1_nrows = xl_sht

  3. 所属分类：其它

    • 发布日期：2020-12-20
    • 文件大小：62kb
    • 提供者：weixin_38699757

  1. python数据预处理 :数据抽样解析

  2. 何为数据抽样： 抽样是数据处理的一种基本方法，常常伴随着计算资源不足、获取全部数据困难、时效性要求等情况使用。 抽样方法： 一般有四种方法： 随机抽样 直接从整体数据中等概率抽取n个样本。这种方法优势是，简单、好操作、适用于分布均匀的场景；缺点是总体大时无法一一编号 系统抽样 又称机械、等距抽样，将总体中个体按顺序进行编号，然后计算出间隔，再按照抽样间隔抽取个体。优势,易于理解、简便易行。缺点是，如有明显分布规律时容易产生偏差。 群体抽样 总体分群，在随机抽取几个小群代表总体。优点是简单易行、便

  3. 所属分类：其它

    • 发布日期：2020-12-20
    • 文件大小：74kb
    • 提供者：weixin_38676058

  1. Python数据分析（9）—-用决策树进行分类

  2. 在上一篇博文Python数据分析（8）—-用python实现数据分层抽样中，实现了实验数据的抽取，那么在本文中，将用上述抽取到的数据进行实验，也就是用决策树进行分类。 在讲解实际的决策树分类之前，需要介绍一下决策树分类的sklearn中决策树模型参数释义： ''' scikit-learn中有两类决策树，它们均采用优化的CART决策树算法。 （1）回归决策树：DecisionTreeRegressor() （2）分类决策树：DecisionTreeClassifier() ''' from sk

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：103kb
    • 提供者：weixin_38515270

  1. Python数据分析（8）—-用Pandas实现数据分层抽样

  2. 在进行数据处理时，我们有时需要在大量的样本中抽取出部分数据作为数据集进行模型训练或者模型验证，因此在本文中介绍分层抽样方法的python代码实现。 分层抽样： 分层抽样法也叫类型抽样法。它是从一个可以分成不同子总体（或称为层）的总体中，按规定的比例从不同层中随机抽取样品（个体）的方法。这种方法的优点是，样本的代表性比较好，抽样误差比较小。缺点是抽样手续较简单随机抽样还要繁杂些。定量调查中的分层抽样是一种卓越的概率抽样方式，在调查中经常被使用。 本例说明： 本例中用到的数据是高分一号遥感数据，数

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：209kb
    • 提供者：weixin_38633897

  1. 样本：选择，加权和分析复杂的样本数据-源码

  2. 样本分析 在大规模调查中，通常使用复杂的随机机制来选择样本。 从此类样本得出的估计值必须反映随机机制。 Samplics是一个python软件包，可为复杂的调查设计实现一套采样技术。 这些调查抽样技术分为以下四个子包。 抽样提供了一组随机选择技术，用于从总体中抽取样本。 它还提供了计算样本量的程序。 采样子包包含： 样本量的计算和分配：Wald和Fleiss方法用于比例。 选择的均等概率：简单随机抽样（SRS）和系统选择（SYS） 与大小成正比的概率（PPS）：系统方法，布鲁尔方法，哈

  3. 所属分类：其它

    • 发布日期：2021-02-21
    • 文件大小：11mb
    • 提供者：weixin_42131443

  1. 机器学习课程-源码

  2. 机器学习课程（Python / R） 第1部分-数据预处理 第2部分-回归：简单线性回归，多重线性回归，多项式回归，SVR，决策树回归，随机森林回归 第3部分-分类：逻辑回归，K-NN，SVM，内核SVM，朴素贝叶斯，决策树分类，随机森林分类 第4部分-聚类：K-Means，分层聚类 第5部分-关联规则学习：Apriori，Eclat 第6部分-强化学习：置信区间上限，汤普森抽样 第7部分-自然语言处理：NLP的词袋模型和算法 第8部分-深度学习：人工神经网络，卷积神经网络 第9部分-降维：

  3. 所属分类：其它

  1. person-reid-3d：3D空间中参数有效的人员重新识别-源码

  2. 3D空间中的人物重新识别 感谢您的关注。 在此仓库中，我们提供了论文。 新闻 2020年10月30日。我仅在三个方面修改了代码以进一步提高性能： 更多的培训时代会有所帮助； （由于我们从头开始培训） 我将dgl替换为更有效的KNN实施，以加速培训； （DGL不能很好地优化KNN，并且矩阵乘法的运行速度更快。） 对于MSMT-17和Duke，某些类包含太多图像，而其他类别则未充分开发。 我应用了分层抽样，该抽样以相等的概率获取每个类别的训练样本。 您可以在或直接下载我生成的Market-

  3. 所属分类：其它

    • 发布日期：2021-01-28
    • 文件大小：15mb
    • 提供者：weixin_38593823