文件名称：hoag:具有近似梯度的超参数优化
文件大小：591KB
文件格式：ZIP
更新时间：2024-05-23 20:28:43
Python
豪格 具有近似梯度的超参数优化 依靠 scikit学习0.16 用法 该软件包导出LogisticRegressionCV类，该类自动估计logistic回归的L2正则化。 与其他scikit学习对象一样，它具有.fit和.predict方法。 但是，与scikit-learn对象不同，.fit方法采用4个参数，包括训练集和测试集。 例如： >>> from hoag import LogisticRegressionCV >>> clf = LogisticRegressionCV() >>> clf.fit(X_train, y_train, X_test, y_test) 其中X_train，y_train，X_test和y_test是分别表示火车和测试集的numpy数组。 有关完整的用法示例，请查看。 使用技巧 标准化输入数据的特征，以使每个特征具有单位方差。 这使黑森州的
【文件预览】：
hoag-master
----.gitignore(2KB)
----README.rst(2KB)
----hoag()
--------hoag_kernel.py(10KB)
--------hoag.py(8KB)
--------logistic.py(7KB)
--------__init__.py(99B)
--------multilogistic.py(11KB)
----tests.py(1KB)
----setup.py(2KB)
----doc()
--------hoag_screenshot.png(523KB)
--------comparison_ho_real_sim.png(84KB)
--------example_usage.ipynb(54KB)
----.travis.yml(911B)