标签:总结 机器 入门 多项式 回归 线性 模型 sklearn
sklearn入门机器学习总结
1、sklearn中模型的使用流程
1.1 机器学习模型
1.2 预处理模型
2、KNN
1、思想:寻找距离待分类点最近的k个点进行投票
2、通常为分类算法,但sklearn中也有回归接口
分类:sklearn.neighbors.KNeighborsClassifier
回归:sklearn.neighbors.KNeighborsRegression
3、 线性回归
1,分为简单线性回归,多元线性回归,多项式回归三种
2,求解简单线性回归使用的是最小二乘法,也称为最小平方法
3,线性回归sklearn.Linear_model.LinearRegression,使用多项式回归时需要为输入变量添加多项式特征sklearn.preprossing.PolynomialFeatures
4、评价方式
MSE:即L2损失,误差平方的均值,均方误差
RMSE:均方根误差,即mse开平方
MAE:即L1损失,绝对损失,绝对差损失,平均绝对误差
R-Squred:上述三种评价方式对于不同场景下的实际问题没有统一的衡量标准,R-Squred可以统一映射到区间【0,1】,类似于求准确率
4、SVM
标签:总结,机器,入门,多项式,回归,线性,模型,sklearn 来源: https://blog.csdn.net/weixin_43745234/article/details/120098911
本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享; 2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关; 3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关; 4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除; 5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。