【翻訳】scikit-learn 0.18 チュートリアル 科学的データ処理のための統計学習のチュートリアル モデル選択：推定器とそのパラメータの選択 - Qiita
スコア、クロスバリデーションされたスコア これまで見てきたように、すべての推定器は、新しいデータのフィット（または予測）の品質を判断できる score メソッドを公開しています。大きい方が良い。 >>> from sklearn import datasets, svm >>> digits = datasets.load_digits() >>> X_digits = digits.data >>> y_digits = digits.target >>> svc = svm.SVC(C=1, kernel='linear') >>> svc.fit(X_digits[:-100], y_digits[:-100]).score(X_digits[-100:], y_digits[-100:]) 0.97999999999999998 >>> import numpy as np >>>
【翻訳】hyperopt チュートリアル - Qiita
実数、離散、および条件付きの次元で、厄介な検索空間を最適化するためのPythonライブラリ hyperopt の チュートリアル(wiki:FMin rev:a663e) を google 翻訳した。 ライセンス このページは、 hyperopt.fmin() の基本的な使い方に関するチュートリアルです。 fminが最適化できる目的関数を書く方法と、fminが検索できる検索スペースを記述する方法について説明します。 Hyperoptの仕事は、スカラー値の可能性のある確率関数の最良の値を、その関数の可能な引数の集合よりも見つけ出すことです。 多くの最適化パッケージはこれらの入力がベクトル空間から引き出されると想定していますが、Hyperoptは検索スペースをより詳細に記述することを奨励しています。 あなたの関数が定義されている場所と最適な値がどこにあるかについてより多くの情報を提供することで
【翻訳】scikit-learn 0.18 チュートリアル scikit-learnによる機械学習の紹介 - Qiita
http://scikit-learn.org/stable/tutorial/basic/tutorial.html を google翻訳した。 scikit-learn 0.18 チュートリアル 目次 セクションの内容 このセクションでは、scikit-learn で使用される機械学習の用語を紹介し、簡単な学習の例を示します。 機械学習：問題の設定 一般に、学習問題は、n個のデータサンプルの集合を考慮し、未知のデータの特性を予測しようとする。各サンプルが単一の数値よりも大きい場合、または多次元項目（多変量とも呼ばれます）の場合は、いくつかの属性または特徴量を持つと言われます。 大きなカテゴリで学習問題をいくつかに分けることができます： 教師あり学習では、学習データには予測したい属性が追加されています（ここをクリックしてscikit-learn教師付き学習ページにアクセスしてください）。
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
