sklearn标签_码道开发者社区

sklearn

《sklearn机器学习——管道和复合估算器》链式估算器

# sklearn Pipeline 简明摘要 **核心功能**：Pipeline 是 scikit-learn 提供的链式估计器工具，支持将数据预处理和模型训练步骤串联成统一流程。 **主要优势**： - 简化代码结构，避免中间变量 - 防止交叉验证时的数据泄露 - 支持统一参数调优 - 便于模型保存与部署 **两种创建方式**： 1. `Pipeline(steps)`：需显式命名每个步骤 2

m0_71002812
2025-09-07 17:00:24

 723

 24

#机器学习 #sklearn #人工智能
《sklearn机器学习——管道和复合估计器》联合特征（FeatureUnion）

scikit-learn中的FeatureUnion工具可以并行组合多个特征提取器，将不同特征提取方法的结果横向拼接成一个更大的特征矩阵。它支持多种特征处理方式（如TF-IDF、词袋模型、PCA等）的并行执行，并通过统一接口进行调用。典型应用场景包括：同时使用多种特征提取方法、处理异构数据以及构建复杂特征工程流水线。使用示例展示了文本特征组合（TF-IDF+词袋模型）、数值特征组合（PCA+标准化

 m0_71002812
2025-09-07 17:43:09

 1112

 8

#机器学习 #sklearn #人工智能
《sklearn机器学习——管道和复合估算器》可视化复合估计器

本文介绍了如何使用 scikit-learn 的 HTML 可视化功能来直观展示机器学习流程。主要内容包括：通过 set_config(display='diagram') 启用 HTML 图表显示功能支持 Pipeline、ColumnTransformer 等复杂结构的可视化展示图表特性：可展开/折叠的嵌套结构参数悬停提示绿色对勾标记已拟合状态颜色编码区分不同类型组件支持动态更

 m0_71002812
2025-09-07 18:36:16

 918

 25

#机器学习 #sklearn #人工智能
《sklearn机器学习——管道和复合估计器》回归中转换目标

本文详细解析了 sklearn 中回归任务目标变量转换的方法与实现。主要内容包括：目标转换的必要性（满足模型假设、稳定方差、处理非线性等）；常用的转换方法如对数变换、Box-Cox变换等；核心工具 TransformedTargetRegressor 的使用与参数详解。文章通过具体示例展示了如何应用这些技术，并强调了转换器选择与逆变换的注意事项，为回归建模中的目标变量预处理提供了全面指导。

m0_71002812
2025-09-07 17:21:22

 993

 14

#机器学习 #sklearn #回归
小杰机器学习（three）——前向传播、反向传播、权重与偏置、损失函数（均方误差，求损失函数方法之一）、梯度下降（梯度+优化显示过程）、优化器。

它似划破苍穹的银色流星，拖着耀眼尾焰，以风驰电掣之速，在湛蓝画布上，一笔挥就一条炽热且凌厉的弧线，让天空也为之震颤。

jie*
2025-09-08 13:42:16

 1045

 27

#算法 #机器学习 #人工智能 +4
《sklearn机器学习——数据预处理》离散化

本文介绍了sklearn中的离散化方法，重点解析了KBinsDiscretizer类的使用。离散化可将连续特征转换为离散区间，用于简化模型、增强鲁棒性。文章详细说明了参数配置（分箱数量、编码方式、分箱策略）和输出结果类型，并提供了示例代码演示等宽分箱和独热编码转换过程。同时指出了离散化的应用场景（如朴素贝叶斯模型）和注意事项（数据分布影响、边界处理等），强调了该方法在特征工程中的实用价值。

m0_71002812
2025-09-10 18:34:31

 1274

 10

#机器学习 #sklearn #人工智能
【机器学习与实战】回归分析与预测之 SKLearn机器学习库

【机器学习与实战】回归分析与预测之 SKLearn机器学习库

 AI小云
2025-09-11 10:35:53

 770

 29

#机器学习 #sklearn #人工智能 +2
小杰机器学习（five）——PyTorch、Tensor（torch库）、Tensor的基本属性、连续性、张量、随机树种子（seed）。

湖光秋月两相和，潭面无风镜未磨。

jie*
2025-09-11 18:38:10

 1283

 21

#机器学习 #人工智能 #sklearn +3
《sklearn机器学习——数据预处理》生成多项式特征

摘要：PolynomialFeatures是scikit-learn中用于生成多项式特征的工具，通过构造原始特征的高阶组合（如平方项、交叉项）增强模型非线性能力。核心参数包括degree（最高阶数）、interaction_only（是否仅生成交互项）和include_bias（是否含常数项）。示例代码演示了不同配置下的特征生成（如二次项、仅交互项），以及与线性模型结合的管道用法。需注意特征数量随

 m0_71002812
2025-09-14 18:27:42

 1341

 27

#机器学习 #sklearn #人工智能
《sklearn机器学习——数据预处理》估算缺失值

本文介绍了数据预处理中常见的缺失值处理方法，重点讲解了三种插补技术。SimpleImputer使用统计量（均值/中位数/众数）填充缺失值，适用于数值型或分类型数据；KNNImputer基于K近邻算法，利用相似样本的加权平均值填充，适合存在局部相似性的数据；IterativeImputer通过迭代预测模型处理复杂缺失模式。文章还对比了删除法和标记法等其他处理方式，分析了各方法的适用场景和特点，并提供

 m0_71002812
2025-09-14 18:00:31

 1401

 11

#机器学习 #sklearn #人工智能
小杰机器学习高级（two）——极大似然估计、交叉熵损失函数

一道残阳铺水中，半江瑟瑟半江红。

jie*
2025-09-19 11:55:40

 1461

 27

#机器学习 #人工智能 #sklearn +4
✅ Python房源数据采集+分析+预测平台 requests爬虫+sklearn回归大数据实战项目（建议收藏）机器学习（附源码）

✅ Python房源数据采集+分析+预测平台 requests爬虫+sklearn回归大数据实战项目（建议收藏）机器学习（附源码）

q_3456621138
2025-09-19 18:27:40

 2509

 27

#python #机器学习 #爬虫 +2
深入浅出 Scikit-learn：从入门到实战的机器学习工具包指南

数据洞察：泰坦尼克号生存与 “性别”（女性生存率高）、“舱位”（一等舱生存率高）、“家庭人数”（小家庭生存率高）强相关；特征工程：提取 “头衔”“家庭分组” 等新特征，显著提升模型性能；模型性能：梯度提升模型经调优后测试集准确率约 85%，是本次项目的最优模型；部署准备：已保存模型和预处理工具，可直接封装为 API 供业务使用。

过往入尘土
2025-09-21 22:52:10

 1475

 30

#python #人工智能 #sklearn
【机器学习与实战】分类与聚类算法：KNN鸢尾花分类

【机器学习与实战】分类与聚类算法：KNN鸢尾花分类

 AI小云
2025-09-25 08:00:00

 1238

 32

#机器学习 #人工智能 #聚类 +3
小杰机器学习（nine）——支持向量机

停车坐爱枫林晚，霜叶红于二月花。

jie*
2025-09-25 16:13:53

 1605

 34

#机器学习 #支持向量机 #人工智能 +4
【机器学习与实战】分类与聚类算法：决策树

【机器学习与实战】分类与聚类算法：决策树

 AI小云
2025-09-28 09:00:00

 738

 9

#机器学习 #算法 #分类 +3
小杰深度学习（three）——softmax与交叉熵、优化器与优化方法

绿玉裁成萼，冰心蕴此中。幽丛初破蕊，清韵自凌风。不藉丹砂色，偏宜素月空。香凝岩壑里，何必问春红。

jie*
2025-09-29 11:39:51

 1425

 31

#深度学习 #人工智能 #sklearn +4
桌面预测类开发，桌面%性别，姓名预测%系统开发，基于python,scikit-learn机器学习算法(sklearn）实现，分类算法，CSV无数据库

这一个也是和信号识别的那个项目demo一样。桌面很常用的开发框架tkinter,在没有pyqt之前一直用着，帮客户修改一下代码。人工智能应用开发套路还是一样，从csv获取数据集，进行数据集清洗去重等操作，完成数据清洗就可以构造模型进行模型fit了，最后模型预测评估调优。

Strategic_3610256651
2025-09-30 17:56:06

 312

 3

#算法 #sklearn #scikit-learn +2
机器学习：线性回归

本文介绍了线性回归的基本概念、实现方法及应用场景。主要内容包括：1) 线性回归适用于特征与目标值呈线性关系的情况，其"线性"指参数线性而非特征线性；2) 损失函数通常采用均方误差(MSE)衡量预测偏差；3) 优化方法主要有SGD随机梯度下降和Adam自适应学习率；4) 分别使用sklearn和PyTorch实现了一元线性回归，并通过可视化展示拟合效果；5) 介绍了多项式回归也属

 深栈
2025-09-30 20:55:27

 1017

 23

#机器学习 #线性回归 #人工智能 +3
小杰深度学习（four）——神经网络可解释性、欠拟合、过拟合

忽如一夜春风来，千树万树梨花开。

jie*
2025-09-30 22:04:32

 1476

 46

#深度学习 #神经网络 #人工智能 +4
【机器学习与实战】分类与聚类算法：Bagging和随机森林

【机器学习与实战】分类与聚类算法：Bagging和随机森林

 AI小云
2025-10-02 08:00:00

 293

 7

#机器学习 #算法 #分类 +4
【机器学习】利用 Pipeline 提升工作流效率

机器学习项目通常需要执行一系列数据预处理步骤，然后再运行学习算法。逐一管理这些步骤可能既繁琐又容易出错。这正是 sklearn pipeline 发挥作用的地方。本文将探讨 pipeline 如何自动化机器学习工作流程中的关键环节，例如数据预处理、特征工程以及机器学习算法的整合。

秋说
2025-10-02 20:57:37

 966

 19

#sklearn #人工智能 #python +2
探索Java中的Lambda表达式简洁代码与函数式编程的强大结合

为了充分发挥Lambda的优势，开发者应当遵循一些最佳实践：保持Lambda表达式简短明了，避免复杂的嵌套结构，合理使用方法引用替代简单的Lambda，并注意变量作用域和final变量的使用限制。这些接口为Lambda表达式提供了类型安全的基础，使得编译器能够正确推断参数和返回值的类型，同时保证了与现有Java类型系统的兼容性。Lambda表达式允许我们将函数作为方法参数传递，极大地简化了代码编写

 dyibian
2025-10-06 06:04:10

 432

 3

#sklearn
Sklearn 与 TensorFlow 机器学习实用指南

机器学习是人工智能的一个重要分支，它通过构建能够从数据中自动学习和改进的算法系统，使计算机具备从经验中获取知识的能力。其核心在于让计算机程序通过分析大量数据样本，自动发现数据中隐藏的模式和规律，而非依赖显式的编程指令。例如，图像识别系统通过分析数百万张标注图片，自动学习区分猫狗的特征表示。计算图静态图优势自动微分实现定制梯度函数模型定制自定义层开发模型子类化混合精度训练分布式训练Mirrored策

 Made In SQL
2025-10-12 10:29:11

 923

 9

#机器学习 #sklearn #tensorflow
机器学习实战：从基础分类器到Stacking集成的完整指南

本文介绍了利用机器学习构建基础分类器与Stacking集成模型的完整流程。从K近邻、朴素贝叶斯和支持向量机三大基础分类器的原理分析，到StackingClassifier的核心参数配置和交叉验证机制，详细演示了数据预处理、模型训练评估和性能对比的全过程。通过葡萄酒分类案例，展示了Stacking集成如何智能组合不同算法的优势，提供优于单一模型的性能表现。文章还深入解析了技术细节如预测概率与决策函数

 a_lazy_bone
2025-10-16 05:49:54

 880

 13

#sklearn #人工智能 #python
像素跃动从传统算法到深度学习，图像处理技术的演进与未来展望

在数字世界的构建中，像素是最基本却又最充满活力的元素。回顾其发展历程，这是一条从基于严谨数学规则的传统算法，跃动至依靠数据驱动的深度学习模型的非凡演进之路，每一次跨越都深刻改变了我们处理和理解图像的方式。而频域处理则通过傅里叶变换将图像从空间域转换到频率域，在频域中，图像的边缘和噪声等特征会以不同的频率成分呈现，从而可以更便捷地进行滤波和增强操作。生成对抗网络（GAN）和扩散模型等技术的出现，使计

 yr_lu
2025-10-16 06:48:44

 293

 3

#sklearn
机器学习特征工程：用 sklearn 实现特征标准化与编码

公式：$$ x_{\text{norm}} = \frac{x - x_{\min}}{x_{\max} - x_{\min}} $$通过标准化和编码，特征满足$ \text{同分布} $要求，显著提升线性模型、距离度量模型（如KNN、SVM）的性能。公式：$$ z = \frac{x - \mu}{\sigma} $$适用场景：有序类别特征（如学历等级：小学、中学、大学）适用场景：无序类别特征（

浪子回头53
2025-10-31 12:02:01

 324

 5

#机器学习 #sklearn #人工智能
别再死记公式了！用Python和sklearn手把手带你玩转TF-IDF关键词提取

本文通过Python和sklearn实战演示TF-IDF关键词提取技术，从手动实现算法到使用sklearn高效应用，帮助读者深入理解TF-IDF原理。文章包含详细代码示例和性能对比，适合文本挖掘初学者和开发者快速掌握这一基础而强大的文本分析工具。

weixin_30800987
2026-06-05 11:26:28

 323

 8

#sklearn
别再只用RandomForest了！用sklearn的ExtraTreesClassifier做特征选择，效果提升明显

本文探讨了使用sklearn的ExtraTreesClassifier（极度随机树）进行特征选择的优势，相比传统的RandomForest，其在处理高维数据时表现更鲁棒，能显著提升模型效果。通过算法原理对比、实战代码示例和工业级应用方案，展示了如何利用ExtraTreesClassifier优化特征工程，包括参数调优、特征稳定性增强及与SHAP值的组合使用，帮助数据科学家在实际项目中取得更好的性能

 weixin_30619101
2026-04-20 03:07:52

 209

 5

#机器学习 #sklearn
用随机森林填补缺失值？sklearn实战：一个比SimpleImputer更聪明的数据清洗技巧

本文介绍了使用随机森林填补缺失值的智能数据清洗技巧，相比传统的SimpleImputer方法，随机森林能更好地保留数据内在结构和特征关联。通过sklearn实战演示，详细解析了随机森林填补的原理、工程实现及性能优化策略，帮助数据科学家提升数据预处理质量，优化下游模型性能。

weixin_30836759
2026-03-29 03:48:06

 417

 10

#随机森林 #sklearn
别再死记公式了！用Python+sklearn的TfidfVectorizer，5分钟搞定文本向量化

本文介绍如何使用Python的sklearn库中的TfidfVectorizer快速实现文本向量化，跳过复杂的数学公式，直接应用于电商评论情感分析等场景。通过实战案例解析核心参数如停用词过滤、短语特征捕获和特征维度控制，帮助开发者高效处理文本数据，提升机器学习模型效果。

weixin_30315435
2026-05-20 08:42:51

 297

 7

#sklearn
别再手动调参了！用sklearn的precision_recall_curve一键找出最佳F1阈值

本文介绍了如何使用sklearn的precision_recall_curve函数快速找到最佳F1阈值，避免手动调参的低效问题。通过解析数学原理、工程实现和实战技巧，帮助数据科学家和算法工程师在类别不平衡场景中优化模型性能，提升工作效率。

weixin_30319153
2026-06-05 15:08:30

 409

 9

#sklearn
别再死记公式了！用Python和sklearn手把手带你玩转TF-IDF关键词提取

本文通过Python和sklearn库详细讲解了TF-IDF关键词提取的实现方法，包括从零开始的手工实现和使用sklearn的工业级实现。文章不仅纠正了常见误解，还提供了中文处理、停用词过滤等实战技巧，帮助读者快速掌握这一实用算法。

weixin_30315723
2026-06-05 13:33:30

 373

 9

#sklearn
别再只盯着准确率了！用sklearn的classification_report看懂你的模型到底行不行

本文深入探讨了sklearn中的classification_report工具，揭示了为何仅依赖准确率评估模型可能产生误导。通过解析精确率、召回率、F1分数等关键指标，指导开发者全面评估分类模型性能，特别适用于处理类别不平衡和不同错误代价的业务场景。

丑心疼
2026-06-29 10:51:49

 406

 5

#机器学习 #sklearn
别再搞混了！sklearn数据预处理中fit、transform、fit_transform到底怎么用？

本文详细解析了sklearn数据预处理中fit、transform和fit_transform的核心区别与正确使用方法。通过实际代码示例和常见误区分析，帮助开发者避免数据泄露问题，确保机器学习模型在不同数据集上的一致性表现。特别强调了测试集只能使用transform的重要原则，并提供了工程实践中的进阶技巧和调试方法。

weixin_33743248
2026-06-03 14:42:55

 329

 9

#sklearn #机器学习
别再只调.fit()了！用sklearn的LinearRegression做波士顿房价预测，这5个参数和3个评估指标才是关键

本文深入探讨了使用sklearn的LinearRegression进行波士顿房价预测时的5个关键参数和3个核心评估指标。通过调整fit_intercept、n_jobs等参数，结合R²、MAE、MSE等评估指标，帮助开发者从基础模型调优到高效预测，提升线性回归模型在实际应用中的表现。

weixin_30482181
2026-04-22 05:42:57

 654

 13

#sklearn #线性回归 #机器学习
避坑指南：决策树剪枝的5个常见误区及如何用sklearn正确优化模型

本文深入解析决策树剪枝的5个常见误区，并提供基于sklearn的优化策略，帮助提升模型泛化能力25%。通过对比预剪枝与后剪枝的黄金组合策略，揭示参数交互陷阱，并针对不同业务场景适配剪枝法则，实现机器学习模型的高效优化。

weixin_30399821
2026-03-26 02:59:36

 252

 5

#机器学习 #决策树 #sklearn
无监督学习必看：如何用sklearn快速评估你的聚类结果？

本文详细介绍了使用sklearn评估聚类结果的五种核心方法，包括轮廓系数、Calinski-Harabasz分数等，帮助读者在无监督学习中精准衡量聚类效果。通过实际代码示例和高级技巧，指导如何避免常见陷阱并组合使用评估指标，提升聚类分析的可靠性和效率。

weixin_30689307
2026-03-27 03:27:35

 414

 5

#聚类 #sklearn