京东 11.11 红包
【小萌五分钟】数据清洗｜正则表达式 Regular Expression
发布人
打开封面 下载高清视频 观看高清视频 视频下载器
...
【小萌五分钟】机器学习 | 模型评估: 准确率 Accuracy 精确率 Precision 召回率 Recall F1值
...
【小萌五分钟】机器学习 | 模型评估: ROC曲线与AUC值
...
【小萌五分钟】数据清洗｜Pandas的基本操作: ①字符串的处理
...
【小萌五分钟】数据清洗｜Pandas的基本操作: ②时间 datetime
...
【小萌五分钟】机器学习 | 模型的评估: 均方误差 MSE
...
【小萌五分钟】机器学习 | 数据预处理之特征缩放: 是什么&为什么
...
【小萌五分钟】数据清洗｜Pandas的基本操作: ③完整性约束 Integrity Constraints
...
【小萌发现】数据清洗｜神器: Data Wrangler帮你写代码？！
...
【小萌五分钟】机器学习 | 数据集的划分(二): 训练集 验证集 测试集
...
【小萌五分钟】机器学习 | 数据预处理之特征缩放: 归一化(Normalization)&标准化(Standardization)
...
【小萌五分钟】机器学习 | 线性回归 (一): 最小二乘法是什么
...
powerquery| Text.PositionOf 文本数据提取原来这么简单
...
【小萌五分钟】机器学习 | 数据集的划分(一): 训练集及测试集
...
【小萌五分钟】机器学习 | 决策树 (四): 回归树 ①算法思想
...
【小萌五分钟】机器学习 | K近邻算法 KNN
...
【小萌五分钟】机器学习 | 交叉验证 Cross-Validation
...
【小萌五分钟】机器学习 | 概率校准: Brier Score
...
【小萌五分钟】机器学习 | 鱼与熊掌 Tradeoffs: 前置小知识点之欠拟合(underfitting)&过拟合(overfitting)
...
【小萌五分钟】机器学习 | 概率校准 Probability Calibration
...
【小萌五分钟】机器学习 | 决策树 (三): 分类树 ②不确定性 [熵 基尼指数 分类错误率]
...
【小萌五分钟】机器学习 | 模型评估: ROC曲线与PR曲线(二): ROC曲线与PR曲线的适用场景
...
【小萌五分钟】机器学习 | 混淆矩阵 Confusion Matrix [EN]
...
【小萌五分钟】机器学习 | 支持向量机 SVM (二): Support Vector Classifier (SVC, 软间隔分类器)
...
【小萌五分钟】机器学习 | 不平衡分类问题之阈值调整(Threshold Moving): ROC曲线上的最优阈值
...
【小萌五分钟】机器学习 | 鱼与熊掌 Tradeoffs: 偏差 vs 方差 (bias-variance tradeoff)
...
【小萌五分钟】机器学习 | 模型评估: ROC曲线与PR曲线(一): ROC曲线与PR曲线的关系
...
【小萌五分钟】机器学习 | 决策树 (五): 回归树 ②RSS
...
【小萌五分钟】机器学习 | 线性回归 (二): 优化问题解法① OLS
...
【小萌五分钟】机器学习 | 不平衡分类问题之阈值调整(Threshold Moving): 是什么?
...
【小萌五分钟】机器学习 | 决策树 (一): 是什么 (根节点 叶子节点 分支 深度)
...
【小萌五分钟】机器学习 | 线性回归的扩展 (一): 基本假设① 可加性假设 Additive Assumption
...
【小萌五分钟】机器学习 | 线性回归 (三): 优化问题解法② 梯度下降 Gradient Descent
...
【小萌五分钟】机器学习 | 线性回归的扩展 (二): 基本假设② 线性假设 Linear Assumption
...
【小萌五分钟】机器学习 | 不平衡分类问题之阈值调整(Threshold Moving): PR曲线上的最优阈值
...
【小萌五分钟】机器学习 | 嵌套交叉验证 Nested Cross-Validation
...
【小萌五分钟】机器学习 | 数据预处理之特征缩放: 两个细节 (训练集fit & 越界值处理)
...
【小萌五分钟】机器学习 | 鱼与熊掌 Tradeoffs: 灵活性&复杂性 vs 可解释性
...
【小萌五分钟】机器学习 | 支持向量机 SVM (三): Support Vector Machine
...
【精华版】10小时学会Python数据分析、挖掘、清洗、可视化从入门到项目实战
...
【小萌五分钟】机器学习 | 不平衡分类问题之阈值调整(Threshold Moving): 给定指标求最优阈值