本文共 707 字，大约阅读时间需要 2 分钟。

Sklearn的一些技巧

1.Sklearn-KNN调参

以下是Jupyter notebook当中的截图，相关注释也已经注明，调参思路整体就是：固定住其他参数，利用for循环来动态遍历一下，看哪种效果比较好。（针对数据比较少的情况）

2.能用knn来处理字符串类型吗？

本身是不可以的，但是可以通过某些手段，把字符串和某些特定的数字映射一下，然后就可以用knn算法了。

代码说明：

• np.argwhere(bool):找到符合括号内参数所描述的元素的索引（会把具体位置给返回）

此外，通过Encoder的方式，也可以实现字符串转成数字：

3.深挖一下Sklearn决策树当中的结点信息

4.决策树与随机森林的对比

5. 极限森林

6. 梯度提升树原理

6.1 基本原理

这个当中的数据是自创的，相关说明已经写在了代码当中

6.2 梯度提升树-二分类算法原理

专门用来处理二分类问题，因此这个树也是彻头彻尾的二叉树。相关算法已经粘贴在下方。注意最后step-2 d步骤当中的I代表学习率。

6.3 AdaBoost演示

在这篇文章的二.3部分，我们已经详细介绍了AdaBoost的理论知识，但是，一堆数学公式，比较抽象，于是在二.3的最后部分，我们举了一个简单的例子。我们现在就把那个例子用代码给实现一下，看看AdaBoost到底是怎么一回事：

7.梯度提升和下降的直观讲解

这个更多的是用在回归问题

8 直观看一下线性回归的原理

8.1 基本原理

8.2 手写线性回归

8.2.1 一元函数（只有一个属性）

8.2 多元函数（多个属性）

8.3 逻辑回归，softmax回归直观讲解

9.各个算法的比对

转载地址：https://blog.csdn.net/johnny_love_1968/article/details/117264069 如侵犯您的版权，请留言回复原文章的地址，我们会给您删除此文章，给您带来不便请您谅解！