Python 机器学习_内江振祥营销策划有限公司

Python机器学习应用之工业蒸汽数据分析篇详解

本篇文章介绍了如何用Python进行工业蒸汽数据分析的过程及思路，通读本篇对大家的学习或工作具有一定的价值，需要的朋友可以参考下

2026-01-11
Python机器学习应用之基于线性判别模型的分类篇详解

线性判别分析(Linear Discriminant Analysis, LDA)是一种监督学习的降维方法，也就是说数据集的每个样本是有类别输出。和之前介绍的机器学习降维之主成分分析(PCA)方法不同，PCA是不考虑样本类别输出的无监督学习方法

2026-01-11
Python机器学习应用之基于BP神经网络的预测篇详解

BP(back propagation)神经网络是1986年由Rumelhart和McClelland为首的科学家提出的概念，是一种按照误差逆向传播算法训练的多层前馈神经网络，是应用最广泛的神经网络模型之一

2026-01-11
Python机器学习应用之基于LightGBM的分类预测篇解读

这篇文章我们继续学习一下GBDT模型的另一个进化版本：LightGBM，LigthGBM是boosting集合模型中的新进成员，由微软提供，它和XGBoost一样是对GBDT的高效实现，原理上它和GBDT及XGBoost类似，都采用损失函数的负梯度作为当前决策树的残差近似值，去拟合新的决策树

2026-01-11
Python机器学习应用之基于天气数据集的XGBoost分类篇解读

XGBoost是一个优化的分布式梯度增强库，旨在实现高效，灵活和便携。它在 Gradient Boosting 框架下实现机器学习算法。XGBoost提供并行树提升（也称为GBDT，GBM），可以快速准确地解决许多数据科学问题

2026-01-11
Python机器学习应用之决策树分类实例详解

决策树(Decision Tree)是在已知各种情况发生概率的基础上，通过构成决策树来求取净现值的期望值大于等于零的概率，评价项目风险，判断其可行性的决策分析方法，是直观运用概率分析的一种图解法

2026-01-11
Python机器学习应用之基于决策树算法的分类预测篇

所谓决策树，就是一个类似于流程图的树形结构，树内部的每一个节点代表的是对一个特征的测试，树的分支代表该特征的每一个测试结果，而树的每一个叶子节点代表一个类别。树的最高层是就是根节点

2026-01-11
Python机器学习应用之支持向量机的分类预测篇

最近完成的一个项目用到了SVM，之前也一直有听说支持向量机，知道它是机器学习中一种非常厉害的算法。利用将近一个星期的时间学习了一下支持向量机，把原理推了一遍，感觉支持向量机确实挺厉害的，这篇文章带你了解它

2026-01-11
Python机器学习应用之朴素贝叶斯篇

朴素贝叶斯模型是一组非常简单快速的分类算法,通常适用于维度非常高的数据集。因为运行速度快,而且可调参数少,因此非常适合为分类问题提供快速粗糙的基本方案

2026-01-11

共1页 9条

×

二维码

截屏，微信识别二维码

微信号已复制，请打开微信添加咨询详情！