文件名称：颜色分类leetcode-Hands-On-Ensemble-Learning-with-Python:使用Python进行实践集成学习，由p
文件大小：83KB
文件格式：ZIP
更新时间：2024-07-26 15:57:03
系统开源
颜色分类leetcode 使用 Python 进行实践集成学习 这是 的代码库，由 Packt 发布。 使用 scikit-learn 和 Keras 构建高度优化的集成机器学习模型 这本书是关于什么的？ 集成是一种技术，用于组合两个或多个相似或不同的机器学习算法，以创建具有卓越预测能力的模型。 本书将演示如何使用各种弱算法来构建强预测模型。 凭借其动手实践的方法，您不仅可以快速了解基本理论，还可以了解各种集成学习技术的应用。 使用示例和真实世界的数据集，您将能够生成更好的机器学习模型来解决监督学习问题，例如分类和回归。 在本书的后面，您将继续利用集成学习技术（例如聚类）来生成无监督机器学习模型。 随着您的进步，这些章节将涵盖在实际世界中广泛用于进行预测和分类的不同机器学习算法。 您甚至会掌握使用 Python 库（例如 scikit-learn 和 Keras）来实现不同的集成模型。 读完本书，您将精通集成学习，并具备了解哪个问题需要哪种集成方法所需的技能，以便在实际场景中成功实施它们。 本书涵盖了以下令人兴奋的功能： 实现集成方法以生成高精度模型 克服偏见和方差等挑战 探索机器学习
【文件预览】：
Hands-On-Ensemble-Learning-with-Python-master
----Chapter07()
--------extra_tree_classification.py(887B)
--------extra_tree_classification_validation_curves.py(2KB)
--------extra_tree_regression.py(987B)
--------rf_regression.py(993B)
--------rf_classification.py(887B)
--------probability_to_choose.py(670B)
--------rf_classification_validation_curves.py(2KB)
----Chapter03()
--------scikit_hard_voting.py(1KB)
--------custom_voting_implementation.py(2KB)
--------scikit_soft_voting.py(2KB)
--------custom_voting_implementation_analysis.py(1KB)
--------scikit_soft_voting_2knn.py(3KB)
--------scikit_soft_voting_analysis.py(1KB)
----Chapter08()
--------oe_vote.py(953B)
--------oe_graph_closure.py(951B)
--------voting_example.py(1KB)
--------kmeans_raw.py(1KB)
--------kmeans_cluster.py(1KB)
--------oe_co_occurence.py(959B)
--------oe_vote_tsne.py(1002B)
--------kmeans_intro.py(1023B)
--------agglomerative.py(251B)
----Chapter06()
--------boosting_overfit.py(978B)
--------xgb_classification.py(855B)
--------adaboost_custom.py(3KB)
--------gradient_boosting_sklearn_classification.py(1KB)
--------dataset_segmentation.py(668B)
--------gradient_boosting_sklearn_regression.py(1KB)
--------adaboost_sklearn_classification.py(1KB)
--------gradient_boosting_custom.py(2KB)
--------adaboost_sklearn_regression.py(972B)
--------xgb_regression.py(1002B)
----Chapter01()
--------datasets_demo.py(4KB)
--------algos_demo.py(14KB)
----Chapter05()
--------bagging_sklearn_regression.py(1KB)
--------bagging_custom.py(2KB)
--------validation_curves.py(2KB)
--------bagging_custom_parallel.py(3KB)
--------bootstrapping.py(1KB)
--------bagging_sklearn_classification.py(982B)
----Chapter09()
--------random_forest.py(2KB)
--------logistic_regression.py(2KB)
--------bagging.py(2KB)
--------xgboosting.py(2KB)
--------stacking.py(2KB)
--------unrelated_presentation_phd.py(295B)
--------exploratory.py(1KB)
--------dt_optimize.py(2KB)
--------voting.py(2KB)
--------stacking_classifier.py(5KB)
--------adaboost.py(2KB)
--------base.py(2KB)
----LICENSE(1KB)
----Chapter04()
--------stacking_regression.py(3KB)
--------stacking_regression_analysis.py(330B)
--------stacking_classification.py(3KB)
--------stacking_classifiers.py(5KB)
--------linear_nonlinear_example.py(608B)
--------stacking_classification_analysis.py(369B)
----Chapter11()
--------comparisons.py(456B)
--------data_cleaning.py(2KB)
--------exploratory.py(646B)
--------stream_sentiment.py(2KB)
--------base_learners_twitter.py(3KB)
----Chapter12()
--------single_dot_model.py(2KB)
--------ensemble_fc_models.py(4KB)
--------exploratory.py(291B)
--------single_dense_model.py(2KB)
----Chapter10()
--------random_forest.py(2KB)
--------regression.py(1KB)
--------voting_regressor.py(1KB)
--------simulator.py(2KB)
--------bagging.py(1KB)
--------stacking.py(2KB)
--------boosting.py(2KB)
--------stacking_regressor.py(3KB)
--------exploratory.py(1KB)
--------simulator_plain.py(648B)
--------voting.py(2KB)
----README.md(5KB)
----Chapter02()
--------motivation.py(5KB)
--------bias_variance.py(3KB)
----Chapter13()
--------ensemble_cluster_tsne.py(2KB)
--------exploratory.py(3KB)
--------insights.py(2KB)
--------clustering.py(2KB)
--------ensemble_cluster_normalized.py(2KB)
--------ensemble_cluster.py(2KB)