文件名称：sklearn-neighbors-benchmark：Scikit-学习最近邻居算法基准
文件大小：8.18MB
文件格式：ZIP
更新时间：2024-02-24 19:15:01
benchmark scikit-learn nearest-neighbors-algorithms scikit-learnJupyterNotebook
:bar_chart: Scikit学习最近邻居基准 该存储库包含脚本和笔记本，用于对scikit-learn （强力， kd树和球树）进行基准测试。 这项工作与sklearn邻居启发式问题，并在pull request 得到解决。 使用Scikit-learn 0.22.2.post1版本。 用法 sklearn_neighbors_benchmark目录包含用于运行实验并将结果保存到results.csv实用程序。 run_experiments.py允许您运行一组实验，并将结果保存在results.csv 。 请注意，重复的实验将运行，但不会保存。 jakevdp_benchmark目录包含Jake
【文件预览】：
sklearn-neighbors-benchmark-master
----.gitignore(36B)
----requirements.txt(50B)
----jakevdp_benchmark()
--------jakevdp_original_benchmark.ipynb(638KB)
--------requirements.txt(13B)
--------jakevdp_rerun_benchmark.ipynb(714KB)
--------jakevdp_modified_benchmark.ipynb(701KB)
----run_experiments.py(1KB)
----results.csv(200KB)
----LICENSE(1KB)
----sklearn_nn_heuristic.ipynb(4.81MB)
----sklearn_nn_pickled_size.ipynb(3KB)
----README.md(3KB)
----sklearn_neighbors_benchmark()
--------__init__.py(0B)
--------datasets.py(3KB)
--------utils.py(4KB)
----sklearn_nn_heuristic_proposal.ipynb(8KB)
----img()
--------brute_force_estimated.png(36KB)
--------brute_force_computed.png(42KB)
--------kd_tree_vs_brute.png(2.25MB)
--------kd_tree_vs_brute_speedup_ratio.png(1.74MB)