scikit-learnのSVM（SVC）の処理速度について - Qiita
2016.09.14 処理時間のバラつきについて追記しました scikit-learnのSVC（rbfカーネルとlinearカーネル）とLinearSVCの処理速度を比較してみました． 利用したデータはRのkernlabパッケージに含まれているspamデータです． 説明変数は4601サンプル，57次元， ラベルはspam:1813サンプル，nonspam:2788サンプルです． サンプル数，次元数を変えた時の結果は以下の通りです． SVCのlinearカーネルが遅すぎますね． ついついカーネル種別まで含めてグリッドサーチしてしまいたくなりますが， きちんとLinearSVCを使ったほうが良さそうです． 検証用コードは以下． 処理時間計測の都合でパラメータCを振っています． また特徴量選択（次元削減）はRandomForestのfeature importanceを利用しました． これは適当
matplotlibで日本語 - Qiita
matplotlib.pyplotでたま～に日本語を使う必要があり，そのたびに あれ？fontpropertiesだっけ？propだっけ？property？ となるので整理してみたら，凡例だけpropで，あとはfontpropertiesなのですね． (propertyなんて無いし…) ご参考まで． # -*- coding: utf-8 -*- import matplotlib.pyplot as plt from matplotlib.font_manager import FontProperties fp = FontProperties(fname=r'C:\WINDOWS\Fonts\YuGothic.ttf', size=14) plt.bar([1, 2], [5, 10], 0.25) plt.bar([1.25, 2.25], [4, 8], 0.25, color=
Pythonでの機械学習を支援するツール MALSS（導入） - Qiita
Python3に対応しました(2016.01.25) Pythonでの機械学習を支援する，MALSS（Machine Learning Support System）というツールを作ってみました（PyPI／GitHub）． 色々ご意見頂けると嬉しいです． こちらに続きを書いています． ・Pythonでの機械学習を支援するツール MALSS（基本） ・Pythonでの機械学習を支援するツール MALSS（応用） 目的 オープンソースの開発環境が充実したことで，機械学習を 使う のが本当に簡単になりました． しかし，特に勉強をしなくても簡単に使えてしまえるからこそ，思わぬ落とし穴にはまってしまうこともあるのではないでしょうか． MALSSは特に初学者がはまってしまいがちな部分を自動化するとともに，機械学習の使い方についても学んでもらえることを目指して開発しました． また，熟練者にとっても分析の
Pythonでの機械学習を支援するツール MALSS（応用） - Qiita
Python3に対応しました(2016.01.25) MALSSの仕様変更に対応しました(2020.02.08) 特徴量選択について追記しました(2020.08.22) Pythonでの機械学習を支援する，MALSS（Machine Learning Support System）というツールを作りました（PyPI／GitHub）． 導入編，基本編と書いてきて，今回は応用編です． 準備 前回と同じデータを使います． 普通にfitメソッドを呼んでしまうとモデリングを行うため処理に時間がかかってしまいます． そこで，algorithm_selection_onlyオプションをTrueにして，アルゴリズム選択のみを行うようにします． from malss import MALSS import pandas as pd data = pd.read_csv('http://www-bcf.usc
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
