AILearning

从部署到实践，即刻拥有你的专属龙虾助手

OpenClaw开发者专区🦞🦞🦞

自行/邀约他人一键搬运博客，享价值百万资源包

腾讯云自媒体同步曝光计划

往期视频·干货材料·成员作品 最新动态

腾讯技术创作特训营知识专栏

新邀入驻腾讯云开发者社区，福利多多！

Ubuntu16.04安装TensorFlow2.x CPU和GPU必备指南

HanLP 词性标注列表
字母	描述
a	形容词
f	方位词
mq	数量词
nn	工作相关名词
ad	副形词
g	学术词汇
n	名词
nnd	职业
	
ag	形容词性语素
gb	生物相关词汇
nb	生物名
nnt	职务职称
	
al	形容词性惯用语
gbc	生物类别
nba	动物名
nr	人名
	
an	名形词
gc	化学相关词汇
nbc	动物纲目
nr1	复姓
	
b	区别词
gg	地理地质相关词汇
nbp	植物名
nr2	蒙古姓名
	
begin	仅用于始##始
gi	计算机相关词汇
nf	食品，比如“

HanLP 词性标注列表

转载地址： http://blog.csdn.net/patrick75/article/details/50885025

Mac使用 matplotlib 画图 => RuntimeError: Python is not installed as a framework

 中文文档: http://sklearn.apachecn.org/cn/stable/modules/outlier_detection.html
 英文文档: http://sklearn.apachecn.org/en/stable/modules/outlier_detection.html
 官方文档: http://scikit-learn.org/stable/
 GitHub: https://github.com/apachecn/scikit-learn-doc-zh（觉得不错麻烦给个

【Scikit-Learn 中文文档】新异类和异常值检测 - 无监督学习 - 用户指南 | ApacheCN

 中文文档: http://sklearn.apachecn.org/cn/stable/modules/multiclass.html
 英文文档: http://sklearn.apachecn.org/en/stable/modules/multiclass.html
 官方文档: http://scikit-learn.org/stable/
 GitHub: https://github.com/apachecn/scikit-learn-doc-zh（觉得不错麻烦给个  Star，我们一直在努力

【Scikit-Learn 中文文档】多类和多标签算法 - 监督学习 - 用户指南 | ApacheCN


   2.6. 协方差估计
 许多统计问题在某一时刻需要估计一个总体的协方差矩阵，这可以看作是对数据集散点图形状的估计。 大多数情况下，基于样本的估计（基于其属性，如尺寸，结构，均匀性）， 对估计质量有很大影响。 sklearn.covariance 方法的目的是 提供一个能在各种设置下准确估计总体协方差矩阵的工具。
 我们假设观察是独立的，相同分布的 (i.i.d.)。
 2.7. 经验协方差
 已知数据集的协方差矩阵与经典 maximum likelihood estimator(最大似然估计) （或

【Scikit-Learn 中文文档】协方差估计 / 经验协方差 / 收敛协方差 / 稀疏逆协方差 / Robust 协方差估计 - 无监督学习 - 用户指南 | ApacheCN

2.4. 双聚类
 Biclustering 可以使用 sklearn.cluster.bicluster 模块。  Biclustering 算法对数据矩阵的行列同时进行聚类。 同时对行列进行聚类称之为 biclusters。 每一次聚类都会通过原始数据矩阵的一些属性确定一个子矩阵。
 例如, 一个矩阵 (10, 10) , 一个 bicluster 聚类，有三列二行，就是一个子矩阵 (3, 2)
>>> 
>>> import numpy as np
>>> data = np.arange(100).

【Scikit-Learn 中文文档】双聚类 - 无监督学习 - 用户指南 | ApacheCN

 1.3. 内核岭回归
 Kernel ridge regression (KRR) （内核岭回归）[M2012]_ 由 使用内核方法的 :ref:`ridge_regression`（岭回归）（使用 l2  正则化的最小二乘法）所组成。因此，它所学习到的在空间中不同的线性函数是由不同的内核和数据所导致的。对于非线性的内核，它与原始空间中的非线性函数相对应。
Screenshot (39).png
 下图比较了人造数据集上的 KernelRidge 和 SVR 的区别，它由一个正弦目标函数和每五个数据点产生

【Scikit-Learn 中文文档】内核岭回归 - 监督学习 - 用户指南 | ApacheCN

1> “==”与“equals”的区别
“==”判断的是两个字符串对象在内存中的首地址，就是判断是否是同一个字符串对象；
而equals()判断的是两个字符串对象的值。

2> 字符串的连接（concat  >>>  等同于“+”的作用）
String s1= new String("你好，");
String s2= new String("张三");
String s3= s1.concat(s2);   >>>>> concat用于字符串的连接
System.out.println(s3);     

字符串的学习


 2.5. 分解成分中的信号（矩阵分解问题）
 2.5.1. 主成分分析（PCA）
 2.5.1.1. 准确的PCA和概率解释（Exact PCA and probabilistic interpretation）
 PCA 用于对一组连续正交分量中的多变量数据集进行方差最大方向的分解。 在 scikit-learn 中， PCA 被实现为一个变换对象，  通过 fit 方法可以降维成 n 个成分， 并且可以将新的数据投影(project,  亦可理解为分解)到这些成分中。
 可选参数 whiten=Tr

【Scikit-Learn 中文文档】分解成分中的信号（矩阵分解问题） - 无监督学习 - 用户指南 | ApacheCN


  1.11. 集成方法
 注意，在本文中 bagging 和 boosting 为了更好的保留原文意图，不进行翻译estimator->估计器 base estimator->基估计器
 集成方法 的目标是把使用给定学习算法构建的多个基估计器的预测结果结合起来，从而获得比单个估计器更好的泛化能力/鲁棒性。
 集成方法通常分为两种:
  平均方法，该方法的原理是构建多个独立的估计器，然后取它们的预测结果的平均。一般来说组合之后的估计器是会比单个估计器要好的，因为它的方差减小了。
  示例: Bagging

【Scikit-Learn 中文文档】集成方法 - 监督学习 - 用户指南 | ApacheCN

  使用 scikit-learn 介绍机器学习 | ApacheCN
 内容提要
 在本节中，我们介绍一些在使用 scikit-learn 过程中用到的 机器学习 词汇，并且给出一些例子阐释它们。
 机器学习：问题设置
 一般来说，一个学习问题通常会考虑一系列 n 个 样本 数据，然后尝试预测未知数据的属性。 如果每个样本是 多个属性的数据 （比如说是一个多维记录），就说它有许多“属性”，或称 features(特征) 。
 我们可以将学习问题分为几大类:
  监督学习 , 其中数据带有一个附加属性，即我

【Scikit-Learn 中文文档】使用 scikit-learn 介绍机器学习 | ApacheCN

2.1. 高斯混合模型
 sklearn.mixture 是一个应用高斯混合模型进行非监督学习的包，支持 diagonal，spherical，tied，full四种协方差矩阵  （注：diagona

【Scikit-Learn 中文文档】高斯混合模型 - 无监督学习 - 用户指南 | ApacheCN

 2.3. 聚类
 未标记的数据的 Clustering（聚类） 可以使用模块 sklearn.cluster 来实现。
 每个 clustering algorithm （聚类算法）有两个变体: 一个是 class, 它实现了 fit 方法来学习 train  data（训练数据）的 clusters（聚类），还有一个 function（函数），是给定 train data（训练数据），返回与不同 clusters（聚类）对应的整数标签 array（数组）。对于 class（类），training dat

【Scikit-Learn 中文文档】聚类 - 无监督学习 - 用户指南 | ApacheCN

第14章 利用SVD简化数据
<script type="text/javascript" src="http://cdn.mathjax.org/mathjax/latest/MathJax.js?

【机器学习实战】第14章 利用SVD简化数据

 1.16. 概率校准
 执行分类时, 您经常希望不仅可以预测类标签, 还要获得相应标签的概率. 这个概率给你一些预测的信心. 一些模型可以给你贫乏的概率估计, 有些甚至不支持概率预测. 校准模块可以让您更好地校准给定模型的概率, 或添加对概率预测的支持.
 精确校准的分类器是概率分类器, 其可以将 predict_proba 方法的输出直接解释为 confidence level（置信度级别）. 例如，一个经过良好校准的（二元的）分类器应该对样本进行分类, 使得在给出一个接近 0.8 的 predicti

【Scikit-Learn 中文文档】概率校准 - 监督学习 - 用户指南 | ApacheCN

第 11 章 使用 Apriori 算法进行关联分析
 关联分析
关联分析是一种在大规模数据集中寻找有趣关系的任务。 这些关系可以有两种形式:
频繁项集（frequent item sets）: 经常

【机器学习实战】第11章 使用 Apriori 算法进行关联分析

本文介绍了如何使用机器学习算法对马匹进行疾病预测。首先介绍了数据集构建和预处理，然后详细阐述了基于逻辑回归的疾病预测模型。最后，通过实验证明了该模型在预测马匹疾病方面的可行性。

【机器学习实战】第5章 Logistic回归

本文主要介绍了如何用Python和Scikit-learn库进行机器学习，包括数据预处理、模型训练和评估等。同时，文章还分享了如何组织线下聚会活动，以及参与社区讨论的方法和技巧。

scikit-learn（sklearn） 0.19 中文文档的翻译计划，邀请你的加入 | ApacheCN

本文介绍了基于R语言的SparkR和基于Python的Spark-Python两个大数据平台的交互方式。主要内容包括：1.基于R语言的SparkR，支持R语言的所有统计函数和绘图功能；2.基于Python的Spark-Python，支持Python的多种数据处理和机器学习库；3.通过SparkR和Spark-Python交互，实现大数据的交互式分析。

Apache Spark 2.2.0 中文文档 - SparkR (R on Spark) | ApacheCN

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

腾讯云开发者社区推出了AILearning专栏，为你提供了AILearning的相关文章，致力于帮助开发者快速成长与发展。

AILearning

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐