Tag: cross-validation

Mache ich eine regression mit Verallgemeinerten Linearen Modell.Ich bin gefangen offguard mit der crossVal Funktion. Meine Implementierung so weit; x = 'Some dataset, containing the input and the output' X = x(:,1:7); Y = x(:,8); cvpart =

Ähnlich Custom cross validation split sklearn ich definieren will meine eigenen splits für GridSearchCV, für die ich mich anpassen zu müssen, die eingebaute cross-Validierung iterator. Ich will meinen eigenen Zug-test Indizes für die cross-Validierung, um die GridSearch

Habe ich ein lineares Modell, in R. set.seed(1234) x <- rnorm(100) z <- rnorm(100) y <- rnorm(100, x+z) mydata <- data.frame(x,y,z) fit <- lm(y ~ x + z, mydata) Ich würde gerne um eine Schätzung zu erhalten,

Ich bin verwirrt über den Unterschied zwischen der cross_val_score scoring-Metrik "roc_auc' und die roc_auc_score, dass kann ich einfach importieren und direkt aufrufen. In der Dokumentation (http://scikit-learn.org/stable/modules/model_evaluation.html#scoring-parameter) zeigt an, dass die Angabe scoring='roc_auc' verwenden die sklearn.Metriken.roc_auc_score. Wenn ich

Zur Verbesserung der Support-Vector-Machine-Ergebnisse habe ich Netz Suche für die Suche nach besseren Parametern und cross-Validierung. Ich bin mir nicht sicher, wie Sie Sie kombinieren Sie in scikit-learn. Raster Suche die besten Parameter (http://scikit-learn.org/stable/modules/grid_search.html) und Kreuzvalidierung vermeiden

In einfachen Worten, was ist der Unterschied zwischen Kreuz-Validierung und der grid-search? Wie funktioniert der grid-search arbeiten? Sollte ich zuerst tun eine cross-validation und dann eine Netz Suche? InformationsquelleAutor Linda | 2013-10-12

Möchte ich verwenden, cross-Validierung, test - /Zug meinen Daten und bewerten Sie die Leistung der logistischen regression über den gesamten Datensatz und nicht nur auf dem test-set (z.B. 25%). Diese Begriffe sind mir völlig neu und bin

Möchte ich zur Bewertung einer regression Modell erstellen, mit scikitlearn mit der Kreuzvalidierung und immer verwirrt, welche der beiden Funktionen cross_val_score und cross_val_predict ich verwenden soll. Eine Möglichkeit wäre : cvs = DecisionTreeRegressor(max_depth = depth) scores =

Dies kann eine dumme Frage sein, aber ich kann es einfach nicht finden, ein Paket, das zu tun...ich weiß, ich kann schreiben, einige der codes zu bekommen, was ich will, aber es wäre schön, eine Funktion, um

Ich versuche zur Optimierung eines logistischen Regressions-Funktion in scikit-learn mit Hilfe des cross-validiert raster-parameter zu suchen, aber ich kann nicht scheinen, um es zu implementieren. Er sagt, dass die Logistische Regression nicht implementieren eine get_params (), sondern

Arbeite ich an einem Projekt, das zeigen würde, den potenziellen Einfluss einer Gruppe von Ereignissen auf ein Ergebnis. Ich bin mit dem glmnet () - Paket, speziell mit Hilfe der Poisson-Funktion. Hier ist mein code: # de

Ich habe einen Datensatz, bestehend aus je dichotome variable (Y) und 12 unabhängige Variablen (X1 zu X12) gespeichert in einer csv-Datei. Hier sind die ersten 5 Zeilen der Daten: Y,X1,X2,X3,X4,X5,X6,X7,X8,X9,X10,X11,X12 0,9,3.86,111,126,14,13,1,7,7,0,M,46-50 1,7074,3.88,232,4654,143,349,2,27,18,6,M,25-30 1,5120,27.45,97,2924,298,324,3,56,21,0,M,31-35 1,18656,79.32,408,1648,303,8730,286,294,62,28,M,25-30 0,3869,21.23,260,2164,550,320,3,42,203,3,F,18-24 Konstruierte ich

Ich freue mich auf dieses tutorial: https://www.dataquest.io/mission/74/getting-started-with-kaggle Hab ich Teil 9, Vorhersagen. Dort gibt es einige Daten in einem dataframe namens titanic, das ist dann aufgeteilt in Falten Verwendung: # Generate cross validation folds for the titanic

Versuch, erstellen Sie einen Entscheidungsbaum mit cross-Validierung mit sklearn und panads. Meine Frage ist in dem code unten, wird die Kreuzvalidierung teilt die Daten, die ich dann verwenden für training und Prüfung. Ich werde versuchen zu finden,

Ich würde gerne die xgboost cv-Funktion zu finden, die besten Parameter für meinen Trainings-Daten-set. Ich bin verwirrt durch die api. Wie finde ich die besten parameter? Ist dies ähnlich zu der sklearn grid_search cross-validation-Funktion? Wie kann ich

Ich bin mit cross_validation aus sklearn, from sklearn.cross_validation import train_test_split Ich bekomme die folgende Warnung: cross_validation.py:44: DeprecationWarning: Dieses Modul wurde als veraltet markiert in der version 0.18 Gunsten der model_selection Modul, in dem alle die umgestalteten Klassen

Ich bin nach die IRIS Beispiel tensorflow. Meinem Fall jetzt habe ich alle Daten in einer einzigen CSV-Datei, nicht getrennt, und ich möchte die k-fold-cross-validation der Daten. Habe ich data_set = tf.contrib.learn.datasets.base.load_csv(filename="mydata.csv", target_dtype=np.int) Wie kann ich k-fold

Ich versuche zu tun, eine 10-fold-cross-validation für einige glm-Modelle, die ich gebaut habe früher in R. ich bin ein wenig verwirrt über die cv.glm() Funktion in der boot Paket, obwohl ich gelesen habe, viel Hilfe-Dateien. Wenn ich

Wenn ich den folgenden code mit Data-matrix - X Größe (952,144) und output Vektor y Größe (952), mean_squared_error Metrik gibt negative Werte, was ist unerwartet. Haben Sie eine Idee? from sklearn.svm import SVR from sklearn import cross_validation

Ich bin mit GridSearch Lebenslauf zu optimieren, den Parameter der Klassifikatoren in scikit. Sobald ich damit fertig bin, würde ich gerne wissen, welche Parameter gewählt wurden als die besten. Immer wenn ich, so bekomme ich einen AttributeError:

Ich bin clustering von Dokumenten mit Thema Modellierung. Ich brauche zu kommen mit dem optimalen Thema zahlen. So, ich entschied mich für ten-fold cross validation mit Themen 10, 20, ...60. Ich teilte meinen Körper in zehn Chargen