Публикации по теме 'classification'


Классификация вин с использованием машинного обучения
Методы классификации, используемые здесь для классификации вин, следующие: 1: КОРЗИНА 2: Логистическая регрессия 3: Случайный лес 4: Наивный Байес 5: Восприятие 6: SVM 7: КНН О данных: Здесь этот блог посвящен классификации вин на основе определенных признаков. В этом наборе данных есть 13 функций и 1 целевое значение, т.е. 14 столбцов и 177 выборок. Столбцы: «название», «спирт», «яблочная кислота», «зола», «щелочное содержание», «магний», «общее количество фенолов»,..
Структура прогнозирования доходов
Бинарная классификация, набор данных «Доход взрослых» Если вас интересуют статьи, связанные с моим опытом, свяжитесь со мной: linkedin.com/in/nattapong-thanngam Обзор источника данных: Название источника данных: Набор данных для взрослых Абстрактный . Предскажите, превысит ли доход 50 000 долларов США в год на основе данных переписи населения. Также известен как набор данных «Доход переписи». 48 842 точки данных + 14 характеристик (возраст, рабочий класс, семейное..
Логистическая регрессия в питоне
В этой статье я расскажу, как использовать логистическую регрессию в Python . Как мы знаем, логистическую регрессию можно использовать для задач классификации . Для бинарной классификации мы получим вероятности для класса «0» и для класса «1». Здесь я представлю его, используя набор данных iris из библиотеки scikit-learn. Исходный код, используемый в этой статье, можно найти по адресу https://github.com/la60312/machine_learning_tutorial/blob/main/logistic_regresion.ipynb . Загрузите..
Улучшите машинное обучение с помощью Adaboost
Введение Вы устали от слабых, неэффективных алгоритмов машинного обучения? Готовы ли вы поднять производительность вашей модели на новый уровень? Не ищите дальше, потому что Adaboost здесь, чтобы спасти положение! Этот мощный алгоритм сочетает в себе сильные стороны нескольких слабых учеников, чтобы создать грозную машину прогнозирования. Так что пристегните ремни и приготовьтесь к захватывающей поездке с Adaboost! Adaboost — это алгоритм машинного обучения, который используется для..
Внедрение наивной байесовской классификации с нуля с помощью Python
Понимание наивной байесовской классификации путем создания ее с нуля Наивный байесовский В машинном обучении и науке о данных наивный байесовский алгоритм — хороший простой, но широко используемый алгоритм. К сожалению, из-за того, что жизнь дала нам множество упрощений, многие представители этой профессии склонны недооценивать необходимость тщательного понимания алгоритмов. Цель этой статьи — научить или освежить ваши знания о наивном байесовском классификаторе, создав его с нуля..
Линейный дискриминантный анализ
Использование линейного дискриминантного анализа (LDA) для уменьшения размерности Вступление Линейный дискриминантный анализ (LDA) - это метод уменьшения размерности, который чаще всего используется на этапе предварительной обработки приложений машинного обучения и классификации шаблонов. Цель состоит в том, чтобы спроецировать данные в пространство меньшей размерности с хорошей разделяемостью классов, чтобы избежать переобучения («проклятие размерности»), а также снизить..
Отвлеченный водитель, день 4 — LRScheduler
Привет! В своем последнем блоге я создал базовую модель с помощью MobileNet. Он имел точность 52,78% на проверочном наборе данных. Сегодня я попытался настроить очень важные гиперпараметры модели. Более быстрые эксперименты Настройка гиперпараметров в TensorFlow — это экспериментальный процесс. Чтобы сократить продолжительность каждого эксперимента, я решил временно уменьшить размер набора данных для обучения и проверки. Я проиндексировал пути к файлам и метки для первых 5000..