机器学习pytorch_第2页-阿里云

文章 2023-07-11 来自：开发者社区

机器学习之PyTorch和Scikit-Learn第6章学习模型评估和超参数调优的最佳实践Part 3

其它章节内容请见机器学习之PyTorch和Scikit-Learn 查看不同性能评估指标在前面的章节中，我们使用预测准确率来评估各机器学习模型，通常这是用于量化模型表现很有用的指标。但还有其他几个性能指标可以用于衡量模型的相关性，例如精确率、召回率、F1分数和马修斯相关系数（MCC）等。读取混淆矩阵在我们深入讨论各评分指标之前，先看一下混淆矩阵，这是一种展示学习算法性能的矩阵。 ...

文章 2023-07-11 来自：开发者社区

机器学习之PyTorch和Scikit-Learn第6章学习模型评估和超参数调优的最佳实践Part 2

使用学习曲线和验证曲线调试算法本节中，我们来看两个非常简单但强大的诊断工具，可帮助我们提升学习算法的性能：学习曲线和验证曲线，在接下的小节中，我们会讨论如何使用学习曲线诊断学习算法是否有过拟合（高方差）或欠拟合（高偏置）的问题。另外，我们还会学习验证曲线，它辅助我们处理学习算法中的常见问题。通过学习曲线诊断偏置和方差问题如果模型对给定训练数据集过于复杂，比如非常深的决策树，模型会倾向...

文章 2023-06-20 来自：开发者社区

机器学习之PyTorch和Scikit-Learn第6章学习模型评估和超参数调优的最佳实践Part 1

其它章节内容请见机器学习之PyTorch和Scikit-Learn 在前面的章节中，我们学习了用于分类的基本机器学习算法以及如何在喂给这些算法前处理好数据。下面该学习通过调优算法和评估模型表现来构建良好机器学习模型的最佳实践了。本章中，我们将学习如下内容：评估机器学习模型表现诊断机器学习算法常见问题调优机器学习模型使用不同的性能指标评估预测模型通过管道流程化工作流 ...

文章 2023-06-17 来自：开发者社区

机器学习之PyTorch和Scikit-Learn第5章通过降维压缩数据Part 2

其它章节内容请见机器学习之PyTorch和Scikit-Learn scikit-learn中的主成分分析虽然上一小节中繁琐的介绍有助于我们了解PCA的内部原理，但我们还是要谈谈scikit-learn中实现的PCA类。 PCA类是scikit-learn中又一个变换器类，我们在使用相同模型参数谈的训练数据和测试集前先使用训练数据拟合模型。下面对葡萄酒训练数据集使用scikit-lear...

问答 2023-06-09 来自：开发者社区

机器学习PAI使用pytorch2.0的话，编译或使用有啥注意事项说明么？

文章 2023-06-09 来自：开发者社区

机器学习之PyTorch和Scikit-Learn第5章通过降维压缩数据Part 1

$stringUtil.substring( $!{XssContent1.description},200)...

文章 2023-06-08 来自：开发者社区

机器学习之PyTorch和Scikit-Learn第4章构建优秀的训练数据集 - 数据预处理Part 2

其它章节内容请见机器学习之PyTorch和Scikit-Learn 将数据集划分为训练集和测试集我们在第1章赋予计算机学习数据的能力和第3章使用Scikit-Learn的机器学习分类器之旅中简单地介绍了将数据集划分为训练集和测试集的概念。在测试集中比较预测标签和真实标签可以看成是发布上线前对模型的无偏差性能评估。本节中，我们会准备一个新的数据集，葡萄酒数据集。在预处理完数据集后，我们会...

文章 2023-06-08 来自：开发者社区

机器学习之PyTorch和Scikit-Learn第4章构建优秀的训练数据集 - 数据预处理Part 1

其它章节内容请见机器学习之PyTorch和Scikit-Learn 数据质量及所包含的有用信息量是决定机器学习算法能学到多好的关键因素。因此，在将数据集喂给机器学习算法前对其进行检查和预处理绝对很重要。本章中，我们会讨论一些基本数据预处理技术，有助于我们构建很好的机器学习模型。本章将要讨论的内容有：删除和替换数据集缺失值为机器学习算法准备分类数据为模型构建选择相关特征 ...

文章 2023-06-03 来自：开发者社区

机器学习之PyTorch和Scikit-Learn第3章使用Scikit-Learn的机器学习分类器之旅Part 2

其它章节内容请见机器学习之PyTorch和Scikit-Learn 支持向量机实现最大间隔分类另一种强大又广泛使用的学习算法是支持向量机(SVM)，可看成是对感知机的扩展。使用感知机算法，我们最小化误分类错误。但在SVM中，我们的优化目标是最大化间隔（margin）。间隔定义为分隔的超平面（决策边界）之间的距离，距离超平面最近的训练样本称为支持向量。如图3.10所示：图3.10...

文章 2023-06-03 来自：开发者社区

机器学习之PyTorch和Scikit-Learn第3章使用Scikit-Learn的机器学习分类器之旅Part 1

其它章节内容请见机器学习之PyTorch和Scikit-Learn 本章中，我们会学习一些学术界和工业界常用的知名强大机器学习算法。在学习各种用于分类的监督学习算法的不同时，我们还会欣赏到它们各自的优势和劣势。另外，我们会开始使用scikit-learn库，它为高效、有生产力地使用这些算法提供了用户友好且一致的接口。本章讲解的主要内容有：介绍用于分类的健壮知名算法，如逻辑回归、支持...

pytorch您可能感兴趣