分类
发现
标签
搜索
注册
登录
分类
发现
榜单
标签
搜索
注册
登录
搜索
万象云档
本次搜索耗时
1.999
秒,为您找到
73
个相关结果.
搜书籍
搜文档
十一、线性回归
405
2025-05-16
《数据科学和人工智能技术笔记》
十一、线性回归 添加交互项 创建交互特征 Lasso 回归的 Alpha 的效果 Lasso 回归 线性回归 步骤 Sklearn 线性回归 岭回归 为岭回归选择最佳的 alpha 值 十一、线性回归 作者:Chris Albon 译者:飞龙 协议:CC BY-NC-SA 4.0 添加交互项 # 加载库 fr...
图像教程
405
2025-05-18
《Matplotlib 用户指南》
图像教程 启动命令 将图像数据导入到 NumPy 数组 将 NumPy 数组绘制为图像 对图像绘图应用伪彩色方案 颜色刻度参考 检查特定数据范围 数组插值方案 图像教程 原文:Image tutorial 译者:飞龙 协议:CC BY-NC-SA 4.0 启动命令 首先,让我们启动 IPython。 它是 Python...
使用 LaTeX 渲染文本
398
2025-05-18
《Matplotlib 用户指南》
使用 LaTeX 渲染文本 在 TeX 中使用 Unicode Postscript 选项 可能的问题 故障排除 使用 LaTeX 渲染文本 原文:Text rendering With LaTeX 译者:飞龙 协议:CC BY-NC-SA 4.0 Matplotlib 可以选择使用 LaTeX 来管理所有文本布局。 此选项可...
我们最喜欢的秘籍
397
2025-05-18
《Matplotlib 用户指南》
我们最喜欢的秘籍 共享轴限制和视图 轻松创建子图 修复常见的日期问题 透明度填充 透明、花式图例 放置文本框 我们最喜欢的秘籍 原文:Our Favorite Recipes 译者:飞龙 协议:CC BY-NC-SA 4.0 这里是一个简短的教程,示例和代码片段的集合,展示了一些有用的经验和技巧,来制作更精美的图像,并克服...
数据加载和处理教程
380
2025-05-18
《PyTorch 中文教程 0.3》
数据加载和处理教程 Dataset类 Transforms Compose transforms 迭代整个数据集 后记: torchvision 数据加载和处理教程 译者:@distant1219 校对者:@bringtree 作者 : Sasank Chilamkurthy 在解决机器学习问题时, 我们需要付出很多努力来准...
图例指南
380
2025-05-18
《Matplotlib 用户指南》
图例指南 控制图例条目 特地为添加到图例创建艺术家(也称为代理艺术家) 图例位置 相同轴域内的多个图例 图例处理器 实现自定义图例处理器 使用图例的现有示例 matplotlib.pyplot.legend(*args, **kwargs) 文档 参数 图例指南 原文:Legend guide 译者:飞龙 协议:CC BY...
在 Python shell 中使用 Matplotlib
374
2025-05-18
《Matplotlib 用户指南》
在 Python shell 中使用 Matplotlib 使用 IPython 解决 其它 Python 解释器 控制交互式更新 在 Python shell 中使用 Matplotlib 原文:Using matplotlib in a python shell 译者:飞龙 协议:CC BY-NC-SA 4.0 警告 该页面的...
密致布局指南
374
2025-05-18
《Matplotlib 用户指南》
密致布局指南 简单的示例 警告 和GridSpec 一起使用 和AxesGrid1 一起使用 颜色条 密致布局指南 原文:Tight Layout guide 译者:飞龙 协议:CC BY-NC-SA 4.0 tight_layout 会自动调整子图参数,使之填充整个图像区域。这是个实验特性,可能在一些情况下不工作。它仅仅检...
训练一个分类器
371
2025-05-18
《PyTorch 中文教程 0.3》
训练一个分类器 数据呢? 训练一个图像分类器 1. 加载并规范化 CIFAR10 2. 定义一个卷积神经网络 3. 定义一个损失函数和优化器 4. 训练网络 5. 在测试数据上测试网络 在 GPU 上训练 在多个GPU上进行训练 我下一步去哪里? 训练一个分类器 译者:@小王子 校对者:@李子文 就是这个, 你已经看到...
100-Days-Of-ML-Code
354
2025-05-18
《机器学习100天》
100-Days-Of-ML-Code 介绍 第一天 | 数据处理 第二天 | 简单线性规划 使用单一特征来预测因变量 找到最佳的拟合线 1、数据预处理 2、训练简单线性回归模型 3、预测结果 4、可视化 第三天 | 多元线性回归 前提 注意 虚(拟)变量 虚拟变量圈套 1、数据预处理 2、训练模型 3、预测结果 ...
1..
«
3
4
5
6
»
..8