【翻訳】scikit-learn 0.18 チュートリアル 外部リソース、ビデオ、トーク - Qiita
http://scikit-learn.org/0.18/presentations.html を google翻訳した チュートリアル 目次 / 前のチュートリアル 外部リソース、ビデオ、トーク 書かれたチュートリアルについては、ドキュメントのチュートリアルのセクションを参照してください。 初めて科学的なPythonをお使いですか？ 科学的なPythonエコシステムを新しく始めるときは、 Python Scientific Lecture Notes（訳注：日本語訳版がここに ） を強くお勧めします。これは、あなたの基礎を少し見つけるのを助け、間違いなくあなたの scikit-learn を学ぶ経験を向上させます。 scikit-learnを最大限に活用するには、NumPy配列の基本的な理解が推奨されます。 外部チュートリアル 特定の科目分野に合わせたオンラインチュートリアルがいくつか用
【翻訳】scikit-learn 0.18 User Guide 3.4. モデルの永続化 - Qiita
http://scikit-learn.org/0.18/modules/model_persistence.html を google翻訳した scikit-learn 0.18 ユーザーガイド 3. モデルの選択と評価 より 3.4. モデルの永続化 scikit-learn モデルを訓練した後、再学習することなく将来の使用のためにモデルを持続させる方法が望ましい。次のセクションでは、pickleでモデルを永続化する方法の例を示します。また、pickleシリアル化の作業時に、セキュリティと保守性に関するいくつかの問題を確認します。 3.4.1. 永続性の例 Pythonの組み込み永続化モジュール、つまり pickle を使って、scikitモデルを保存することは可能です： >>> from sklearn import svm >>> from sklearn import datas
scikit-learnのMLPClassifierで得た重みとバイアスを使って、自分でニューラルネットワークを構築した時にどハマりした事 - Qiita
どハマりした内容 scikit-learnに実装されている多層パーセプトロン（MLPClassifer)で予測した内容と、あらかじめ学習して取得していた重み、バイアス行列を使った自作のニューラルネットーワクの予測が全く合わなかった。 先に結論 入力データの標準化をしていなかった... どハマりした経緯 学習モデルの構築にPipelineを使って標準化、トレーニング、テスト（汎化性能）のチェックをしていた。 最終的な重みとバイアスだけで、標準化をしていないデータにも対応できると勝手に思い込んでいた（恥） おまけ：MLPClassifierで取得した重み、バイアスでニューラルネットワークを構築 import numpy as np import os import sys import pandas as pd # dataFrameを扱うライブラリ from math import exp,
scikit-learnのRandomForestClassifierで外れ値を特定する - Qiita
scikit-learnのRandomForestClassifierを使うことで，分類問題をランダムフォレストで解くことが出来ます． ランダムフォレストの特徴として，同じクラスに属するデータから，クラスを代表する属性値とは離れた値をもつ外れ値(outlier)のデータを特定することができます． 公式のscikit-learnでは外れ値を算出する機能がないため，今回はoutlierを出力するスクリプトを作成しました． (ちなみにRでは算出が可能です) 外れ値と求めるためには，scikit-learnのRandomForestClassifierのメソッドにあるapplyを使用します． これはランダムフォレストアルゴリズムで作成した各決定木にバッチの入力データを与えた時，各データがどの葉に含まれるかを葉のインデックスで返してくるメソッドです． http://scikit-learn.org/
再訪scikit-learn - Qiita
scikit-learnの便利なAPIについて，新しく知ったことをメモする． $HOME/Desktop/memo.mdにメモを書き溜めていたが誤ってrmしてしまったのでQiitaを使ってみる． 新しく学びを得たら随時追加していく． （間違いがあったらご指摘頂けると幸いです．どうかよろしくお願いします．） データの前処理 ライブラリの Preprocessing モジュールには神が宿っており， import する際にはコミッターに感謝を捧げる必要がある． 素性の次元削減 k個の素性を選択する． SelectKBestの第一引数は関数でchi2のほかにもf_classifなどが使える． 素性の次元削減には他にも RFECV などがあるけれど，どう違うのかよく分かっていないので今後調べたい．
Scikit learnより SVMで手書き数字の認識 - Qiita
Scikit learnのチュートリアルを参考にしながら、SVMを使った手書き文字の認識と結果の可視化をPythonで実装してみた。 使用するデータ Scikit learn のライブラリに含まれているdigitsデータを使う。中身を見ると、64(=8x8)ピクセル、グレイスケールの手書き数字の画像データ、1797個分が行列形式で準備されている。これをSVMを使って多クラス分類する。 # Load example data from sklearn import datasets digits = datasets.load_digits() # データフォーマットの確認 print(digits.data) print(digits.data.shape) n_samples = len(digits.data) # データ数 print(n_samples) # 画像にして出力 imp
scikit-learn でランダムフォレストによる多ラベル分類 - Qiita
まえがき 本記事は機械学習関連情報の収集と分類(構想)の❷を背景としています。 例えば某企業がクラウド上の某サービスを利用して Q&A システムを構築したニュースがあったとしましょう。 そうすると❷のローカルファイルシステムのフォルダ例から推察できるように、このニュースのインターネットショートカットは、 ・ツール/クラウド/某サービス ・機械学習/応用/Bot・対話システム ・社会動向/企業/某企業 の少なくとも３か所に配置されねばなりません。これらの分類は排他的ではないので、いわゆる多ラベル分類です。 調べてみると Python / scikit-learn でこのような問題を扱うアルゴリズムは多様ですが、それなりに API インタフェースが統一されていて、アルゴリズムを差し替えるだけで動作する様なコードが書けるようです。 そこで、そのAPI インタフェースを確認してみようというのが本記
Pythonでの線形回帰（statmodels, scikit-learn, PyMC3） - Qiita
はじめに Pythonではいくつか線形回帰をするために使えるライブラリがあります。個人的に線形回帰をする必要にせまられ、そのための方法を調べたのでメモを兼ねてシェアしたいと思います。使ったライブラリは以下： statmodels scikit-learn PyMC3 データ準備 まず適当なデータを用意します。今回は以下の式にノイズ $\epsilon$ を加えた人工データを使います。 $$y = \beta_0 + \beta_1 x_1 + \beta_2 x2 + \epsilon$$ ここで推定するのは、$\beta_0, \beta_1, \beta_2$の値。 import numpy as np import pandas as pd import random import matplotlib.pyplot as plt from mpl_toolkits.mplot3d
HerokuでNumpy, Scipy, scikit-learnを利用する - Qiita
Pythonで機械学習を組み込んだアプリケーションを作成すると、大体scikit-learn、それでなくてもNumpyやScipyに依存することが多いです。 これらは様々なライブラリに依存しているため、Heroku上にデプロイするには一筋縄ではいきません。AWSなどで自前のサーバーがたてられる場合はそちらに立てれば良いですが、お金もかかるしHerokuでやりたい！という場合もあると思うのでそのための手法を紹介します。 Docker Container HerokuでもDocker Containerを利用したデプロイが可能になったため、buildpackをいそいそと編集するよりもこちらを利用するほうが便利です。以下に公式のサンプルがあるため、こちらをご参考にしていただければと。 heroku-examples/python-miniconda これでもうapt-getでいろいろインストール
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
