V
主页
第五章(4):线性回归的升级,再升级
发布人
打开封面
下载高清视频
观看高清视频
视频下载器
第五章(2):线性模型和决策树的对比
第五章(5):用岭回归分析boston数据
第五章(3):分箱,提高线性模型的预测效果
第一章:(1)数量预测之线性回归
第六章(1):交叉验证
第五章(1):数据框的样本的随机选取,样本子集的抽取
第一章:(3).回归模型和随机森林的对比
第五章(1):特征工程简介
第五章(6):Boston数据分析结果的可视化
第二章(2):numpy模块初步介绍
第六章(2):分类数据的交叉验证的注意事项
第六章(4):调参的python实现
第一章(9):字符串
第一章:(2).数量预测之随机森林
第三章(7):pandas中的函数:sort_index,apply,map
第四章(1):缺失值的处理
第四章(3):替换replace
第六章(1):数据合并函数append()
第六章(4):数据合并函数join()
第一章(16):函数
第三章(2):序列Series中的函数
第一章(15):列表推导式(字典推导式等)
第四章(2):SVC模型的特征必须作预处理
第一章(7):列表(下)
第二章(10):三维图像的画法
第三章(5)附录,不平衡数据credit的分析
第四章数据分析实战(上)
第三章(1):序列Series的定义
第三章(3):pandas:数据框的定义
第三章(3):ROC曲线
第三章(4):随机森林和SVC的ROC曲线
第二章(5):二维数组的逻辑切片,二维数组拉直为一维数组
第七章(2):Pipeline()和GridSearchCV()配合使用
第二章(1):新模块的学习方法
第三章(2):不平衡数据简介
第三章(1):SVC基本原理简介
第一章(5):python中的变量
三天背完一本专业书,姐又爽到了😎
第二章(7):Matplotlib中的两种基本画图方式
第三章(6):算数运算和数据对齐