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. Spark ml pipline交叉验证之朴素贝叶斯.docx

  2. Spark ml pipline交叉验证之朴素贝叶斯 模型训练 输入参数 训练代码 模型评估 输入参数 评估代码

  3. 所属分类：spark

    • 发布日期：2019-09-03
    • 文件大小：21504
    • 提供者：q18729096963

  1. 多层感知机(MLP)(三层)(UCI乳腺癌数据库)(k折交叉验证)(反向传递)(机器学习，神经网络)

  2. 多层感知机(MLP)(三层)(UCI乳腺癌数据库)(k折交叉验证)(反向传递)(机器学习，神经网络)

  3. 所属分类：机器学习

    • 发布日期：2020-05-28
    • 文件大小：6144
    • 提供者：weixin_33270475

  1. python实现交叉验证

  2. 实现数据的交叉验证划分。 对于带标签的所有数据data.csv，其中最后一列为标签，将该数据划分为训练集train_i.csv和测试集test_i.csv。其中i表示的是第i折数据。

  3. 所属分类：其它

    • 发布日期：2020-07-11
    • 文件大小：1024
    • 提供者：weixin_39913518

  1. 6，交叉验证.ipynb

  2. 6，交叉验证.ipynb

  3. 所属分类：机器学习

    • 发布日期：2020-07-30
    • 文件大小：12288
    • 提供者：weixin_46072771

  1. 使用sklearn的cross_val_score进行交叉验证实例

  2. 今天小编就为大家分享一篇使用sklearn的cross_val_score进行交叉验证实例，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：135168
    • 提供者：weixin_38671819

  1. sklearn和keras的数据切分与交叉验证的实例详解

  2. 主要介绍了sklearn和keras的数据切分与交叉验证的实例详解，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：2020-09-16
    • 文件大小：63488
    • 提供者：weixin_38587705

  1. 决策树代码Python（包含GINI，信息熵构建方法，10折交叉验证，Adaboost以及Boost方法）

  2. 决策树代码Python（包含GINI，信息熵构建方法，10折交叉验证，Adaboost以及Boost方法）

  3. 所属分类：讲义

    • 发布日期：2016-12-27
    • 文件大小：54272
    • 提供者：bigfish_yukang

  1. Python sklearn KFold 生成交叉验证数据集的方法

  2. 今天小编就为大家分享一篇Python sklearn KFold 生成交叉验证数据集的方法，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：2020-09-19
    • 文件大小：46080
    • 提供者：weixin_38631182

  1. coursera斯坦福机器学习公开课作业5(交叉验证)

  2. coursera斯坦福机器学习公开课作业5(交叉验证)，已通过submission，供大家学习参考

  3. 所属分类：专业指导

    • 发布日期：2015-12-13
    • 文件大小：226304
    • 提供者：u011772859

  1. 交叉验证神经网络matlab

  2. 提供交叉验证神经网络matlab代码，供大家学习。

  3. 所属分类：专业指导

    • 发布日期：2020-11-15
    • 文件大小：2048
    • 提供者：qq_34989861

  1. Python sklearn KFold 生成交叉验证数据集的方法

  2. 源起： 1.我要做交叉验证，需要每个训练集和测试集都保持相同的样本分布比例，直接用sklearn提供的KFold并不能满足这个需求。 2.将生成的交叉验证数据集保存成CSV文件，而不是直接用sklearn训练分类模型。 3.在编码过程中有一的误区需要注意： 这个sklearn官方给出的文档 >>> import numpy as np >>> from sklearn.model_selection import KFold >>> X =

  3. 所属分类：其它

    • 发布日期：2020-12-25
    • 文件大小：49152
    • 提供者：weixin_38697123

  1. 简单粗暴理解与实现机器学习之K-近邻算法（十）：交叉验证，网格搜索（模型选择与调优）API、鸢尾花案例增加K值调优

  2. K-近邻算法 文章目录K-近邻算法学习目标1.10 交叉验证，网格搜索1 什么是交叉验证(cross validation)1.1 分析1.2 为什么需要交叉验证**问题：那么这个只是对于参数得出更好的结果，那么怎么选择或者调优参数呢？**2 什么是网格搜索(Grid Search)3 交叉验证，网格搜索（模型选择与调优）API：4 鸢尾花案例增加K值调优 学习目标 掌握K-近邻算法实现过程 知道K-近邻算法的距离公式 知道K-近邻算法的超参数K值以及取值问题 知道kd树实现搜索的过程 应用KN

  3. 所属分类：其它

    • 发布日期：2020-12-22
    • 文件大小：115712
    • 提供者：weixin_38658568

  1. 使用sklearn的cross_val_score进行交叉验证实例

  2. 在构建模型时，调参是极为重要的一个步骤，因为只有选择最佳的参数才能构建一个最优的模型。但是应该如何确定参数的值呢？所以这里记录一下选择参数的方法，以便后期复习以及分享。 （除了贝叶斯优化等方法）其它简单的验证有两种方法： 1、通过经常使用某个模型的经验和高超的数学知识。 2、通过交叉验证的方法，逐个来验证。 很显然我是属于后者所以我需要在这里记录一下 sklearn 的 cross_val_score： 我使用是cross_val_score方法，在sklearn中可以使用这个方法。交叉验证的原

  3. 所属分类：其它

    • 发布日期：2020-12-20
    • 文件大小：137216
    • 提供者：weixin_38611388

  1. Python实现K折交叉验证法的方法步骤

  2. 学习器在测试集上的误差我们通常称作“泛化误差”。要想得到“泛化误差”首先得将数据集划分为训练集和测试集。那么怎么划分呢？常用的方法有两种，k折交叉验证法和自助法。介绍这两种方法的资料有很多。下面是k折交叉验证法的python实现。 ##一个简单的2折交叉验证 from sklearn.model_selection import KFold import numpy as np X=np.array([[1,2],[3,4],[1,3],[3,5]]) Y=np.array([1,2,3,4

  3. 所属分类：其它

    • 发布日期：2020-12-31
    • 文件大小：40960
    • 提供者：weixin_38604916

  1. 机器学习 评估指标之交叉验证

  2. 1、交叉验证 通俗的讲就是将样本均分为几等份，拿出某一（几）份作为测试样本，剩下的作为训练样本，去预测得到相应指标（准确率，召回率，f1等），再抽取另一份（几份）作为测试样本，剩下的作为训练样本，去预测得到相应指标（准确率，召回率，f1等） ，使得每一份样本都参与到测试集中，最终返回一个指标列表。 作用 1、交叉验证用于评估模型的预测性能，尤其是训练好的模型在新数据上的表现，可以在一定程度上减小过拟合。 2、还可以从有限的数据中获取尽可能多的有效信息。 2、案例代码 数据下载地址 链接: ht

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：36864
    • 提供者：weixin_38592643

  1. HLS_KNN_KFold:KNN使用的火车测试数据的交叉验证-源码

  2. HLS_KNN_K折叠 对KNN使用的火车/测试数据进行交叉验证。

  3. 所属分类：其它

    • 发布日期：2021-03-21
    • 文件大小：1048576
    • 提供者：weixin_42131013

  1. 使用Bouligand影响函数对核方法进行交叉验证的有效近似

  2. 使用Bouligand影响函数对核方法进行交叉验证的有效近似

  3. 所属分类：其它

    • 发布日期：2021-03-16
    • 文件大小：177152
    • 提供者：weixin_38671048

  1. 通过通用交叉验证改善ESVM

  2. 通过通用交叉验证改善ESVM

  3. 所属分类：其它

    • 发布日期：2021-03-13
    • 文件大小：1013760
    • 提供者：weixin_38661852

  1. 防止交叉验证与内核稳定性过度拟合

  2. 内核选择对于内核方法至关重要。 交叉验证（CV）是一种广泛接受的内核选择方法。 但是，基于CV的估计值通常显示出较高的方差，因此易于过度拟合。 为了防止高方差，我们首先提出了一种新的稳定性版本，称为内核稳定性。 这种稳定性量化了核矩阵相对于训练集变化的扰动。 然后，我们建立了内核稳定性和CV方差之间的联系。 通过限制导出的方差上限，我们提出了一种内核选择准则，该准则可以防止CV的高方差，从而保证良好的泛化性能。 此外，我们导出了用于估计内核稳定性的封闭形式，从而使基于内核稳定性的标准在计算上更加

  3. 所属分类：其它

    • 发布日期：2021-03-10
    • 文件大小：331776
    • 提供者：weixin_38659789

  1. LAB4-EOML:Regresión线性Polinomial con交叉验证-源码

  2. LAB4-EOML Regresión线性Polinomial con交叉验证

  3. 所属分类：其它

    • 发布日期：2021-03-09
    • 文件大小：1048576
    • 提供者：weixin_42149153
« 1 23 4 5 6 7 8 9 10 ... 50 »