Tag: machine-learning

TL;DR : Gibt es etwas, was ich kann-flag in der ursprünglichen randomForest nennen, um zu vermeiden, re-run der predict - Funktion verwenden, um vorhergesagte Wahrscheinlichkeiten kategorisch, anstatt nur die voraussichtlichen Kategorie? Details: Ich bin mit dem randomForest

Ich versuche, mich zu erholen von eine PCA durchgeführt mit scikit-learn, die Funktionen ausgewählt werden, da relevanten. Einem klassischen Beispiel mit den IRIS-Datensatz. import pandas as pd import pylab as pl from sklearn import datasets from sklearn.decomposition

Tut tensorflow haben, etwas ähnliches zu scikit lernen ist eine hot-encoder für die Verarbeitung kategorialer Daten? Würden Sie einen Platzhalter verwenden von tf.string Verhalten, als kategorische Daten? Ich weiß, ich kann manuell vor der Verarbeitung werden die

Wie das laden eines Modells aus einem im HDF5-Datei in Keras? Was ich versucht habe: model = Sequential() model.add(Dense(64, input_dim=14, init='uniform')) model.add(LeakyReLU(alpha=0.3)) model.add(BatchNormalization(epsilon=1e-06, mode=0, momentum=0.9, weights=None)) model.add(Dropout(0.5)) model.add(Dense(64, init='uniform')) model.add(LeakyReLU(alpha=0.3)) model.add(BatchNormalization(epsilon=1e-06, mode=0, momentum=0.9, weights=None)) model.add(Dropout(0.5)) model.add(Dense(2, init='uniform'))

def gradient(X_norm,y,theta,alpha,m,n,num_it): temp=np.array(np.zeros_like(theta,float)) for i in range(0,num_it): h=np.dot(X_norm,theta) #temp[j]=theta[j]-(alpha/m)*( np.sum( (h-y)*X_norm[:,j][np.newaxis,:] ) ) temp[0]=theta[0]-(alpha/m)*(np.sum(h-y)) temp[1]=theta[1]-(alpha/m)*(np.sum((h-y)*X_norm[:,1])) theta=temp return theta X_norm,mean,std=featureScale(X) #length of X (number of rows) m=len(X) X_norm=np.array([np.ones(m),X_norm]) n,m=np.shape(X_norm) num_it=1500 alpha=0.01 theta=np.zeros(n,float)[:,np.newaxis] X_norm=X_norm.transpose() theta=gradient(X_norm,y,theta,alpha,m,n,num_it) print theta Mein theta

Ich hoffe, verwenden Sie entweder Haskell oder OCaml an einem neuen Projekt, denn R ist zu langsam. Ich muss in der Lage sein zu verwenden, unterstützen vectory-Maschinen, im Idealfall trennt sich jede Ausführung parallel laufen. Ich will

Möchte ich, um ein einfaches neuronales Netz und ich möchte das aufgrund der Kr-Funktion. Kann jemand mir einen Anhaltspunkt, wie kann ich implementieren Sie die Funktion mithilfe von numpy. Vielen Dank für Ihre Zeit! InformationsquelleAutor der Frage

Gibt es eine Regel-of-Daumen für die, wie am besten aufteilen der Daten in Trainings-und Validierungs-sets? Ist sogar 50/50 split ratsam? Oder gibt es klare Vorteile, mehr training Daten bezüglich der Validierung von Daten (oder Umgekehrt)? Oder ist

Vor kurzem begann ich spielte mit neuronalen Netzen. Ich war versucht zu implementieren eine AND Tor mit Tensorflow. Ich habe Schwierigkeiten zu verstehen, wenn die Verwendung der verschiedenen Kosten und Aktivierung von Funktionen. Dies ist ein einfaches

Nehme an, Sie wissen, ein student, der studieren will Machine Learning und Natural Language Processing. Welche spezifischen informatik-Themen sollten Sie sich konzentrieren und welche Programmiersprachen sind speziell zur Lösung dieser Art von Problemen? Ich bin nicht auf

Ich habe Schwierigkeiten zu verstehen, den Unterschied (wenn es einen gibt) zwischen roc_auc_score() und auc() in scikit-learn. Im binden voraussagen eine binäre Ausgabe mit unausgewogenen Klassen (rund 1,5% für Y=1). Classifier model_logit = LogisticRegression(class_weight='auto') model_logit.fit(X_train_ridge, Y_train) Roc-Kurve

Kann jemand erklären, warum ist loc verwendet, in python pandas mit Beispielen, wie unten gezeigt? for i in range(0, 2): for j in range(0, 3): df.loc[(df.Age.isnull()) & (df.Gender == i) & (df.Pclass == j+1), 'AgeFill'] = median_ages[i,j]

Wenn wir eine hohe lineare Polynom, das verwendet wird, um zu passen eine Reihe von Punkten in einer linearen regression setup, um overfitting zu verhindern, verwenden wir die Regulation, und wir sind ein lambda-parameter in die Kosten-Funktion.

Bin ich angefangen zu arbeiten, mit TensorFlow Bibliothek für Tiefe lernen, https://www.tensorflow.org/. Fand ich eine explizite Anleitung zu arbeiten auf linux und Mac, aber habe ich nicht herausfinden können, wie arbeiten unter Windows. Ich versuche über das

Habe ich versucht, zu erfassen die Grundlagen von Support Vector Maschinen und heruntergeladen und gelesen, dass viele online-Artikel. Aber bin noch nicht in der Lage, es zu begreifen. Ich würde gerne wissen, ob es gibt einige nettes

Deep Learning wurde erfolgreich auf mehreren großen Daten-sets für die Einstufung einer Handvoll Klassen (Katzen, Hunde, Autos, Flugzeuge, etc), mit Auftritten schlagen einfacher Deskriptoren wie Taschen von Funktionen über SIFT, Farbe Histogramme, etc. Dennoch Ausbildung ein solches

Statt ab, um code in Matlab, ich habe vor kurzem angefangen zu lernen, R, vor allem, weil es ist open-source. Ich bin zurzeit in der data-mining-und machine-learning-Bereich. Ich fand viele machine-learning-algorithmen implementiert in R, und ich bin

In den alten Tagen der Spiele, ich bin mir sicher, dass einfache switch/case-Anweisungen (in gewisser Weise) getan haben würde just fine für die meisten des Spiels "AI." Jedoch, wie Spiele haben sich zu Zunehmender Komplexität, insbesondere bei

Verstehe ich nicht, die Genauigkeit in der Ausgabe zu verwenden, um zu vergleichen, meine 2 Keras Modelle, um zu sehen, welche besser ist. Benutze ich den "acc" (aus den Trainingsdaten?) ein oder das "val-acc" (aus der Validierung

Dies ist mein code, der funktioniert, wenn ich die anderen Aktivierung Schichten wie tanh: model = Sequential() act = keras.layers.advanced_activations.PReLU(init='zero', weights=None) model.add(Dense(64, input_dim=14, init='uniform')) model.add(Activation(act)) model.add(Dropout(0.15)) model.add(Dense(64, init='uniform')) model.add(Activation('softplus')) model.add(Dropout(0.15)) model.add(Dense(2, init='uniform')) model.add(Activation('softmax')) sgd = SGD(lr=0.1, decay=1e-6,

Ich bin noch ziemlich neu in R und AI /ML Techniken. Ich möchte eine neuronales Netz für die Vorhersage, und da ich neu bin möchte ich nur um zu sehen, ob dies ist, wie es getan werden