scikit-learn

峯5803 小时前
人工智能·机器学习·scikit-learn
机器学习05,用 scikit-learn 做加州房价预测的完整入门工程目录一、本章内容概览二、完整项目1、明确问题和数据1、1.数据来源1、2.数据理解1、2.1*数据字段
linweidong1 天前
机器学习·云原生·conda·pandas·scikit-learn
RTX 4090 Ubuntu + ComfyUI + comfy-kitchen 0.2.41 完整部署文档适用目标: Ubuntu x86_64、NVIDIA RTX 4090 24GB、现有 NVIDIA Driver 570.211.01;不升级到 R580;使用 CUDA Toolkit 12.8、PyTorch 2.11.0 CUDA 12.8,并从源码编译 comfy-kitchen 0.2.41。
2601_967987375 天前
pytorch·scikit-learn·交叉验证·gpu加速·cupy
Scikit-Learn 1.8引入Array,支持 PyTorch 与 CuPy 张量的原生 GPU 加速-Learn 的 1.8.0 版本更新, 引入了实验性质的 Array API 支持。这意味着 CuPy 数组或者张量, 现在就可以在 -Learn 的部分组件里面直接使用了。并且计算过程还能保留在 GPU 上面。
2601_967980117 天前
决策树·随机森林·机器学习·scikit-learn·集成学习
从决策树到随机森林:Python机器学习里的“树形家族“深度实战与原理拆解引言在机器学习那个算法种类非常多的体系里面, 有一对像树一样的兄弟模型一直都在核心位置占据着非常重要的地位。这个决策树呢, 它就像一个逻辑思路特别清楚的老教授一样, 它会用那种可以看得见的树状结构, 去把那些很复杂的决策过程拆解成是或不是的这种简简单单的判断环节。
aifannihao8 天前
人工智能·机器学习·scikit-learn·学习路线·数据泄漏
AI 学习第 8 课:1200 列纯噪声 CV 出 0.47,泄漏在筛特征那步一个全随机、毫无信号的数据集,交叉验证跑出 0.4748 的 R²。模型没变聪明,是验证集的答案提前漏进了训练。
郝学胜-神的一滴9 天前
人工智能·python·langchain·wpf·numpy·scikit-learn
AI 编程智能体 27:吃透MCP通信机制在AI智能体飞速迭代的当下,MCP(Model Control Protocol)作为智能体与工具交互的核心协议,已然成为开发者必备的技术栈✨。很多小伙伴在入门MCP开发时,总会被五花八门的通信模式搞晕:到底该用哪种协议?本地开发选什么方案?远程服务如何适配?新旧协议有什么优劣差异?
Blockbuater_drug14 天前
线性回归·pandas·scikit-learn·数据可视化·数据清洗·最小二乘法·conda环境
《经典机器学习实战》第 2 课:回归入门——环境、工具与数据准备本文收录于专栏 《经典机器学习实战》摘要:配好一套全程复用的 conda 环境,用 diabetes 数据集五步跑通第一个线性回归(R² 0.316),再上手 USDA 南瓜真实脏数据:四步清洗 1757 行到 415 行、按蒲式耳归一化价格,学会建模前的可视化侦察。
Blockbuater_drug15 天前
机器学习·scikit-learn·监督学习·数据清洗·过拟合·训练集测试集·公平性
《经典机器学习实战》第 1 课:导论——是什么、简史、负责任 AI 与标准流程本文收录于专栏 《经典机器学习实战》摘要:从规则引擎的破产到机器学习的定义,一趟走完 AI 七十年简史、负责任 AI 六原则与七步标准流程。你将看到 13 维特征让手写规则彻底失效而逻辑回归拿到 98.1%,以及一个整体准确率 85% 的模型如何对少数组近乎抛硬币。
MoRanzhi12031 个月前
python·机器学习·scikit-learn·模型评估·交叉验证·shap·消融实验
第 8 篇 · 机器学习建模与实验评估:建模流程与对照实验建模流程的组织方式决定评估结果是否可信,实验阶段则需回答模型之间差异是否稳定、各组特征贡献如何。本节将建模与其后的实验评估合并说明,先给出建模流程,再说明多模型对比、区间估计、消融与稳健性检验。
databook1 个月前
python·机器学习·scikit-learn
Scikit-Learn实战:5步搞定PCA降维做机器学习的时候,你大概率会遇到这样一个场景:手头的数据集特征太多,几十甚至上百个维度,训练模型慢得要命,还容易过拟合。
小小龙学IT1 个月前
python·机器学习·scikit-learn
Python scikit-learn 机器学习库深度解析面向工业数采场景的完整实战指南:从 Estimator API 到底层算法原理,从数据管道到生产落地工业数采场景中,我们面对的核心问题往往不是"训练一个大模型",而是:
CAE虚拟与现实2 个月前
人工智能·pytorch·scikit-learn
PyTorch和scikit-learn的区别PyTorch 和 scikit-learn 是 Python 机器学习生态里两个定位完全不同的库。简单说:scikit-learn 是“传统机器学习工具箱”,PyTorch 是“深度学习框架”。
龙腾AI白云2 个月前
数据库·人工智能·机器学习·flask·scikit-learn
AI微调技术:让通用大模型精准适配垂直行业一、AI微调核心原理:模型能力的垂直化重塑 二、AI微调技术演进:从全量改造到精准适配 三、AI微调工程落地:难点与优化方案 四、AI微调核心业务:垂直行业智能化升级 五、AI微调治理:模型质控与版权合规 #智能体 #大模型 #数字孪生 #世界模型
龙腾AI白云2 个月前
人工智能·机器学习·scikit-learn·知识图谱
孪生不止在工厂:能源、医疗与农业孪生不止在工厂:能源、医疗与农业 一、能源:让电网和设备可见 二、医疗:从器官到流程 三、农业:让田地会"说话" 四、跨行业的共同难点 五、别照搬工业那套 #数字孪生 #数字化转型 #能源数字化 #智慧医疗
智码看视界2 个月前
开源·scikit-learn·回归预测·开源大模型·自动化机器学习·表格基础模型
小米表格数据基础模型-Xiaomi-TabLDM 部署测评,70M表格基础模型开源,一套配置通吃分类回归Xiaomi-TabLDM 由小米于 2026-09-05 正式发布并开源,是一个通用表格数据基础模型,参数量 70M,许可证 Apache 2.0(Copyright 2026 Xiaomi)。它提供 TabLDMClassifier(分类)与 TabLDMRegressor(回归)两个 scikit-learn 风格 estimator,GitHub(xiaomi-research/xiaomi-tabldm)与 HuggingFace(occams/Xiaomi-TabLDM)均已开放权重与代码,技
leihefeng2 个月前
python·算法·机器学习·逻辑回归·scikit-learn
手写数字识别:KNN vs 逻辑回归实战手写数字识别是分类任务的「Hello World」,它具备以下特点,非常适合作为机器学习入门的第一个实战项目:
2601_962077982 个月前
pytorch·python·机器学习·tensorflow·scikit-learn
机器学习及其Python实践机器学习及其实践机器学习及其实践通过计算机程序去做获取数据的行为, 之后进行处理, 再接着分析, 还要进而理解数据, 借此识别出数据里存在的模式与规律, 并且利用这些知识来做出智能决策或者预测未来, 这被称作机器学习。近年来, 伴随社会信息化进程加快, 机器学习领域受到广泛关注, 还得到了广泛研究, 其已经在图像处理、语音识别、文本处理、推荐系统等多个领域有着广泛应用。
“AI国潮设计-小江”2 个月前
人工智能·python·prompt·aigc·scikit-learn
《Python实战 | 用SDXL大模型生成“潮汕英歌舞”国潮IP头像,已申请外观专利,附Prompt思路!》import requests import json import base64# 1. 连接你的SD WebUI本地API (默认端口 7860) def generate_chaoshan_avatar(prompt, negative_prompt=""): url = "http://127.0.0.1:7860/sdapi/v1/txt2img" # 2. 核心Prompt工程:锁定潮汕文化与C4D质感 full_prompt = prompt + ", Chaoshan Yingge Dan
AR-26710-2 个月前
人工智能·python·机器学习·scikit-learn
机器学习复习收官Day12---type: notetitle: 机器学习阶段收官(C1–C3 总结)date: 2026-09-03
AR-26710-3 个月前
人工智能·python·机器学习·scikit-learn
机器学习复习Day8——异常检测---type: notetitle: 异常检测编程作业date: 2026-08-29description: C3W1 异常检测两步走:①estimate_gaussian 按列算 μ(均值)和 σ²,给正常数据套钟形罩子 ②select_threshold 用验证集 F1 挑阈值 ε,p<ε 判异常。核心 tp/fp/fn 只在"被判坏"里统计 tp+fp,prec 分母=判坏总数、rec 分母=真坏总数。不用 accuracy 挑 ε:异常极少时它虚高,会挑出"什么都不抓"的废物阈值。F1 是**