python - 分割数据集以解决分类问题的正确程序是什么？-6ren

python - 分割数据集以解决分类问题的正确程序是什么？

转载作者：行者123 更新时间：2023-11-30 09:28:00

我是机器学习和深度学习的新手。我想在训练前澄清我对 train_test_split 的疑问

我有一个大小为 (302, 100, 5) 的数据集，其中，

(207,100,5) 属于 class 0

(95,100,5) 属于 class 1.

我想使用 LSTM 执行分类(因为，序列数据)

我如何分割我的数据集进行训练，因为类(class)确实没有相等的分布集？

选项 1 :考虑整个数据 [(302,100, 5) - both classes (0 & 1)] ，对其进行洗牌，train_test_split，继续训练。

选项 2: 平均分割两个类数据集 [(95,100,5) - class 0 & (95,100,5) - class 1] ，将其洗牌，train_test_split，继续训练。

训练前更好的分割方式是什么，这样我才能在损失减少、准确性、预测方面获得更好的结果？

如果除了以上两个选项之外还有其他选项，请推荐，

根据评论部分，我包含了部分数据:

X_train:形状 (241 * 100 * 5)

每100*5中的每一行对应1个时间步最后 100 行对应 100 个时间步(以毫秒 (ms) 为单位)

array([[[0.98620635, 0.        , 0.12752912, 0.60897341, 0.46903766],
        [0.97345112, 0.        , 0.12752912, 0.49205995, 0.38709902],
        [0.9566397 , 0.        , 0.12752912, 0.45728718, 0.42154812],
        ...,
        [0.28669754, 0.8852459 , 0.12752912, 0.8786213 , 0.80125523],
        [0.31559784, 0.8852459 , 0.20968731, 0.89087803, 0.79476987],
        [0.34368841, 0.8852459 , 0.12752912, 0.89087803, 0.71066946]],

       [[0.97957188, 0.14909194, 0.04159147, 0.50548561, 0.34209531],
        [0.9687237 , 0.13964397, 0.04159147, 0.55926067, 0.64613533],
        [0.96596236, 0.13553813, 0.04159147, 0.55903796, 0.85299319],
        ...,
        [0.49309139, 0.72396527, 0.04159147, 0.81998825, 0.12362443],
        [0.52072591, 0.70872926, 0.04159147, 0.82361951, 0.89639432],
        [0.54441507, 0.71835207, 0.04159147, 0.84964602, 1.        ]],

       [[0.48151381, 0.875     , 0.16666667, 0.90637286, 0.62737926],
        [0.53325374, 0.8625    , 0.33333333, 0.87881677, 0.5321154 ],
        [0.57506452, 0.81859091, 0.16666667, 0.84915758, 0.3552661 ],
        ...,
        [0.34456041, 0.92993213, 0.33333333, 0.92953899, 0.78782408],
        [0.39496018, 0.90523485, 0.33333333, 0.9117954 , 0.54579383],
        [0.44187985, 0.8625    , 0.33333333, 0.84163194, 0.25789356]],

       ...,

       [[0.16368355, 0.        , 0.15313225, 0.40101906, 0.36784741],
        [0.15679684, 0.        , 0.15313225, 0.4435126 , 0.67351994],
        [0.15544309, 0.06132052, 0.15313225, 0.40101906, 0.36611345],
        ...,
        [0.43936628, 0.68292683, 0.15313225, 0.82305329, 0.36784741],
        [0.49751546, 0.68292683, 0.07764888, 0.84141109, 0.42828833],
        [0.53288488, 0.68292683, 0.15313225, 0.85959823, 0.36784741]],

       [[0.9418247 , 0.30821318, 0.03072816, 0.744977  , 0.93769733],
        [0.9537216 , 0.28989357, 0.03072816, 0.74576381, 0.98468743],
        [0.96455286, 0.21736423, 0.03072816, 0.74182977, 1.        ],
        ...,
        [0.36273884, 0.60113245, 0.06145633, 0.85409181, 0.32277415],
        [0.38774614, 0.57789971, 0.05844559, 0.82937631, 0.        ],
        [0.41546859, 0.57789971, 0.03072816, 0.79315883, 0.31256578]],

       [[0.97868688, 0.06451613, 0.00411829, 0.64705259, 0.69827586],
        [0.97999663, 0.06451613, 0.02256676, 0.66812232, 0.75195925],
        [0.97143037, 0.02476377, 0.02256676, 0.66317859, 0.78487461],
        ...,
        [0.50336862, 0.73867709, 0.02256676, 0.84921606, 0.1226489 ],
        [0.54003486, 0.72043011, 0.02256676, 0.82679269, 0.20297806],
        [0.57594039, 0.70967742, 0.02256676, 0.83350205, 0.        ]]])

Y_train:形状 (241,)

[1. 0. 0. 0. 0. 1. 1. 0. 0. 0. 0. 0. 0. 0. 1. 1. 1. 0. 0. 1. 1. 0. 0. 0.
 1. 1. 1. 0. 1. 0. 0. 1. 0. 0. 0. 0. 0. 0. 1. 0. 1. 0. 0. 0. 0. 0. 1. 1.
 0. 0. 1. 0. 0. 0. 0. 1. 0. 1. 0. 0. 0. 0. 1. 1. 0. 0. 1. 0. 1. 0. 1. 0.
 0. 1. 0. 0. 1. 1. 0. 0. 0. 1. 1. 0. 0. 1. 0. 0. 1. 0. 0. 1. 0. 0. 0. 1.
 1. 0. 0. 1. 0. 1. 0. 0. 0. 1. 1. 0. 0. 0. 0. 1. 1. 1. 0. 0. 0. 0. 0. 1.
 0. 0. 0. 0. 0. 0. 1. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 1. 1. 0. 0. 0. 0. 0. 0. 1. 0. 0. 1. 1. 0. 1. 1. 0. 0. 0. 0. 0. 1. 0.
 0. 0. 0. 0. 0. 0. 0. 1. 0. 1. 0. 1. 0. 0. 0. 1. 1. 0. 0. 1. 1. 1. 0. 1.
 0. 1. 0. 1. 0. 0. 0. 1. 0. 0. 0. 1. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 1. 0.
 1. 0. 0. 1. 1. 1. 0. 1. 0. 0. 1. 0. 1. 0. 0. 0. 0. 0. 1. 0. 0. 0. 0. 1.
 1.]

供引用，正如您在上面看到的，X-train 数据很大，我无法包含整个 X_train 数据的完整集。因此，我在这里仅提供数据的一个片段，以便更好地理解 1 个片段 (i.e X_train[0] : shape- (100*5)) 的数据是什么样子。剩余的 240 或多或少如下所示

array([[9.86206354e-01, 0.00000000e+00, 1.27529123e-01, 2.29139335e-02,
        6.08973407e-01, 4.69037657e-01],
       [9.73451120e-01, 0.00000000e+00, 1.27529123e-01, 2.60807671e-02,
        4.92059955e-01, 3.87099024e-01],
       [9.56639704e-01, 0.00000000e+00, 1.27529123e-01, 2.64184174e-02,
        4.57287179e-01, 4.21548117e-01],
       [9.34897700e-01, 0.00000000e+00, 1.27529123e-01, 2.64184174e-02,
        4.84177685e-01, 4.69037657e-01],
       [9.18030989e-01, 0.00000000e+00, 1.27529123e-01, 2.64184174e-02,
        4.86406180e-01, 4.08577406e-01],
       [9.02168015e-01, 0.00000000e+00, 1.27529123e-01, 2.64020795e-02,
        4.84920517e-01, 4.04184100e-01],
       [8.82551572e-01, 0.00000000e+00, 1.27529123e-01, 2.56783096e-02,
        4.51195959e-01, 3.78661088e-01],
       [8.69975342e-01, 0.00000000e+00, 1.27529123e-01, 2.40477851e-02,
        4.70286733e-01, 4.23640167e-01],
       [8.41027241e-01, 0.00000000e+00, 1.27529123e-01, 1.75387576e-02,
        5.04754123e-01, 4.34728033e-01],
       [8.28189535e-01, 5.28763040e-01, 1.27529123e-01, 6.89133486e-03,
        4.98662903e-01, 4.58368201e-01],
       [8.21784739e-01, 8.21162444e-01, 1.27529123e-01, 1.06196483e-02,
        5.87431288e-01, 5.72594142e-01],
       [8.26651597e-01, 9.96721311e-01, 1.27529123e-01, 1.75044480e-02,
        6.89050661e-01, 5.40376569e-01],
       [8.42115326e-01, 1.00000000e+00, 1.27529123e-01, 1.71205069e-02,
        8.35388501e-01, 4.69037657e-01],
       [8.64071009e-01, 9.26875310e-01, 1.27529123e-01, 1.34068975e-02,
        1.00000000e+00, 4.65062762e-01],
       [8.79579724e-01, 7.60158967e-01, 1.27529123e-01, 4.65303975e-03,
        9.61744169e-01, 3.65481172e-01],
       [9.03630040e-01, 7.61549925e-01, 1.27529123e-01, 4.21518348e-03,
        9.22076957e-01, 3.78033473e-01],
       [9.18435858e-01, 6.72429210e-01, 1.27529123e-01, 2.70229205e-03,
        9.39979201e-01, 5.03138075e-01],
       [9.29983046e-01, 6.85345256e-01, 1.27529123e-01, 9.05120794e-04,
        8.53736443e-01, 5.52510460e-01],
       [9.48081232e-01, 5.78539493e-01, 1.27529123e-01, 6.96485550e-03,
        8.84415391e-01, 3.04602510e-01],
       [9.48112160e-01, 5.55091903e-01, 1.27529123e-01, 1.10493356e-02,
        8.19046204e-01, 4.78661088e-01],
       [9.61281634e-01, 5.08693492e-01, 1.27529123e-01, 9.36162843e-03,
        8.23651761e-01, 3.21548117e-01],
       [9.72179346e-01, 4.91803279e-01, 1.27529123e-01, 9.82725917e-03,
        7.57391175e-01, 4.96025105e-01],
       [9.84752763e-01, 4.91803279e-01, 1.27529123e-01, 7.04491131e-03,
        7.59322538e-01, 3.95397490e-01],
       [9.90300024e-01, 4.91803279e-01, 1.27529123e-01, 8.19346712e-03,
        7.64819492e-01, 4.69037657e-01],
       [9.88306609e-01, 3.77049180e-01, 1.27529123e-01, 8.62642201e-03,
        7.93492795e-01, 4.16945607e-01],
       [9.91084457e-01, 3.93442623e-01, 1.27529123e-01, 9.16557339e-03,
        7.10741346e-01, 4.72175732e-01],
       [1.00000000e+00, 3.78936910e-01, 1.27529123e-01, 1.16538387e-02,
        6.93359085e-01, 4.76987448e-01],
       [9.98925974e-01, 3.93442623e-01, 1.27529123e-01, 1.21309060e-02,
        7.16609716e-01, 3.46025105e-01],
       [9.92838888e-01, 3.32141083e-01, 1.27529123e-01, 1.19315833e-02,
        7.31540633e-01, 4.16527197e-01],
       [9.90637415e-01, 3.36910084e-01, 1.27529123e-01, 9.95632874e-03,
        7.12524142e-01, 4.15481172e-01],
       [9.90761125e-01, 3.38301043e-01, 1.27529123e-01, 6.59235091e-03,
        6.86970732e-01, 4.37656904e-01],
       [9.90274720e-01, 3.27868852e-01, 2.10913550e-01, 5.68396253e-03,
        7.09181399e-01, 4.99372385e-01],
       [9.83015202e-01, 3.27868852e-01, 1.27529123e-01, 2.14974358e-02,
        7.31392067e-01, 6.41631799e-01],
       [9.77392028e-01, 2.85245902e-01, 1.47762109e-01, 2.52861995e-02,
        7.09478532e-01, 6.07112971e-01],
       [9.75300207e-01, 2.78688525e-01, 1.27529123e-01, 2.91468501e-02,
        6.70257020e-01, 6.28242678e-01],
       [9.74917831e-01, 2.71733731e-01, 1.27529123e-01, 3.58780734e-02,
        6.70257020e-01, 5.72594142e-01],
       [9.64950755e-01, 2.62295082e-01, 1.27529123e-01, 3.92992339e-02,
        6.36383895e-01, 6.67991632e-01],
       [9.63159774e-01, 2.62295082e-01, 1.27529123e-01, 4.82932591e-02,
        6.93581934e-01, 5.46443515e-01],
       [9.54983679e-01, 2.90511674e-01, 1.27529123e-01, 4.90627752e-02,
        6.59708810e-01, 7.40376569e-01],
       [9.57595643e-01, 3.11475410e-01, 1.27529123e-01, 4.72492660e-02,
        6.49977715e-01, 5.61297071e-01],
       [9.51511369e-01, 2.95081967e-01, 1.27529123e-01, 1.82576261e-02,
        6.64314366e-01, 5.22384937e-01],
       [9.48528275e-01, 2.95081967e-01, 1.27529123e-01, 3.89659403e-03,
        6.29846977e-01, 3.20711297e-01],
       [9.47085931e-01, 2.95081967e-01, 1.27529123e-01, 6.86682798e-03,
        6.48417769e-01, 4.38284519e-01],
       [9.38153518e-01, 2.95081967e-01, 1.27529123e-01, 5.73951146e-03,
        7.04130144e-01, 5.32635983e-01],
       [9.38114156e-01, 2.95081967e-01, 1.27529123e-01, 2.05955826e-02,
        6.85782202e-01, 5.47280335e-01],
       [9.35597786e-01, 2.95081967e-01, 1.27529123e-01, 2.91141743e-02,
        6.69142772e-01, 7.13807531e-01],
       [9.29311077e-01, 2.72826627e-01, 1.27529123e-01, 2.91141743e-02,
        6.81622344e-01, 5.72594142e-01],
       [9.25495753e-01, 2.23646299e-01, 1.27529123e-01, 2.65507546e-02,
        6.35566781e-01, 6.41004184e-01],
       [9.18525829e-01, 2.08643815e-03, 1.27529123e-01, 2.37618715e-02,
        6.09641955e-01, 5.02928870e-01],
       [8.91801693e-01, 0.00000000e+00, 1.27529123e-01, 9.27013608e-03,
        5.26073392e-01, 4.21338912e-01],
       [8.77693149e-01, 0.00000000e+00, 1.27529123e-01, 8.13628440e-03,
        4.22522656e-01, 3.44560669e-01],
       [8.61894841e-01, 0.00000000e+00, 1.27529123e-01, 1.49639014e-02,
        4.52755906e-01, 3.65481172e-01],
       [8.44254943e-01, 0.00000000e+00, 1.27529123e-01, 2.29515107e-02,
        4.59069975e-01, 3.76150628e-01],
       [8.21183060e-01, 0.00000000e+00, 1.27529123e-01, 3.97583295e-02,
        4.60852771e-01, 2.60460251e-01],
       [8.04116726e-01, 0.00000000e+00, 1.27529123e-01, 5.89292454e-02,
        4.26905363e-01, 1.97907950e-01],
       [7.81311943e-01, 0.00000000e+00, 1.27529123e-01, 8.53656345e-02,
        4.37379290e-01, 1.00836820e-01],
       [7.60863270e-01, 0.00000000e+00, 1.27529123e-01, 1.03087377e-01,
        4.37379290e-01, 6.98744770e-02],
       [7.41227145e-01, 0.00000000e+00, 1.27529123e-01, 1.14206966e-01,
        4.27128213e-01, 1.58368201e-01],
       [7.26694052e-01, 0.00000000e+00, 1.27529123e-01, 1.17776801e-01,
        4.37379290e-01, 0.00000000e+00],
       [7.08716764e-01, 0.00000000e+00, 1.27529123e-01, 1.17288297e-01,
        4.48596048e-01, 2.18619247e-01],
       [6.90483621e-01, 0.00000000e+00, 1.27529123e-01, 1.08491961e-01,
        4.58549993e-01, 1.26987448e-01],
       [6.67451099e-01, 0.00000000e+00, 1.27529123e-01, 8.38217010e-02,
        4.99628584e-01, 3.55020921e-01],
       [6.51610618e-01, 0.00000000e+00, 1.27529123e-01, 4.32889541e-02,
        5.10919626e-01, 4.83054393e-01],
       [6.31195684e-01, 0.00000000e+00, 1.27529123e-01, 1.29200275e-02,
        5.21170703e-01, 4.97907950e-01],
       [6.14317726e-01, 0.00000000e+00, 2.26241570e-01, 9.32895259e-04,
        4.98960036e-01, 4.69037657e-01],
       [5.98165158e-01, 0.00000000e+00, 5.90435316e-01, 0.00000000e+00,
        4.61892735e-01, 5.03556485e-01],
       [5.68221755e-01, 0.00000000e+00, 6.33353771e-01, 1.61745413e-03,
        4.25122567e-01, 4.69037657e-01],
       [5.35292447e-01, 0.00000000e+00, 1.00000000e+00, 8.99402522e-03,
        3.58490566e-01, 5.10041841e-01],
       [5.10766973e-01, 0.00000000e+00, 3.93010423e-01, 3.39894098e-02,
        3.27068786e-01, 6.15690377e-01],
       [4.78939807e-01, 0.00000000e+00, 5.32188841e-01, 5.98114931e-02,
        3.27068786e-01, 6.22175732e-01],
       [4.47053597e-01, 0.00000000e+00, 4.31023912e-01, 8.44245703e-02,
        3.24023176e-01, 6.76150628e-01],
       [4.13654754e-01, 0.00000000e+00, 5.32188841e-01, 1.07209434e-01,
        2.90298618e-01, 7.08577406e-01],
       [3.80151882e-01, 0.00000000e+00, 7.97057020e-01, 1.21122807e-01,
        1.19150201e-01, 4.95397490e-01],
       [3.28235926e-01, 0.00000000e+00, 3.56223176e-01, 1.23820198e-01,
        0.00000000e+00, 6.65271967e-01],
       [2.83452966e-01, 0.00000000e+00, 2.28694053e-01, 1.22658572e-01,
        2.65933739e-02, 5.55648536e-01],
       [2.38616587e-01, 0.00000000e+00, 2.28694053e-01, 1.22990232e-01,
        9.41910563e-02, 4.92887029e-01],
       [1.82964031e-01, 0.00000000e+00, 5.19926426e-01, 1.30564491e-01,
        8.97340663e-02, 4.94142259e-01],
       [1.43835174e-01, 0.00000000e+00, 5.25444513e-01, 1.64135650e-01,
        1.14618927e-01, 7.40585774e-01],
       [1.04402664e-01, 0.00000000e+00, 1.55119559e-01, 2.41378071e-01,
        1.98261774e-01, 6.50418410e-01],
       [7.96438281e-02, 0.00000000e+00, 7.11220110e-02, 3.27145618e-01,
        2.89110088e-01, 7.45188285e-01],
       [6.36065353e-02, 0.00000000e+00, 0.00000000e+00, 4.11129065e-01,
        4.05140395e-01, 6.88912134e-01],
       [4.11672585e-02, 0.00000000e+00, 2.52605763e-01, 5.62182942e-01,
        4.54315852e-01, 1.00000000e+00],
       [2.87063044e-02, 0.00000000e+00, 1.27529123e-01, 6.81786323e-01,
        4.59515674e-01, 9.32217573e-01],
       [1.70269716e-02, 1.58966716e-03, 1.27529123e-01, 7.33474602e-01,
        4.37453573e-01, 6.07322176e-01],
       [3.30361486e-03, 6.37853949e-01, 1.27529123e-01, 8.06276376e-01,
        4.69692468e-01, 7.54602510e-01],
       [0.00000000e+00, 7.89369101e-01, 1.27529123e-01, 8.85843682e-01,
        5.10919626e-01, 8.70502092e-01],
       [5.13114648e-03, 8.19672131e-01, 1.27529123e-01, 9.60932765e-01,
        5.99316595e-01, 8.79288703e-01],
       [2.16829598e-02, 8.36065574e-01, 1.27529123e-01, 9.99121020e-01,
        7.28866439e-01, 8.56903766e-01],
       [4.27951674e-02, 8.36065574e-01, 1.27529123e-01, 1.00000000e+00,
        8.67181697e-01, 7.88912134e-01],
       [7.02334461e-02, 8.36065574e-01, 1.27529123e-01, 9.93500775e-01,
        8.46308127e-01, 9.78451883e-01],
       [9.73680733e-02, 8.36065574e-01, 1.27529123e-01, 9.87896869e-01,
        8.66364582e-01, 8.59414226e-01],
       [1.23611427e-01, 8.36065574e-01, 1.27529123e-01, 9.69613102e-01,
        8.35685634e-01, 9.17991632e-01],
       [1.52157471e-01, 8.68852459e-01, 1.27529123e-01, 9.22226597e-01,
        7.96686971e-01, 9.65062762e-01],
       [1.77979087e-01, 8.68852459e-01, 1.27529123e-01, 8.61132577e-01,
        8.29594414e-01, 8.14225941e-01],
       [2.03010647e-01, 8.84252360e-01, 1.27529123e-01, 8.13277174e-01,
        8.29594414e-01, 9.11506276e-01],
       [2.32490138e-01, 8.85245902e-01, 1.27529123e-01, 7.59549923e-01,
        8.41851137e-01, 9.52301255e-01],
       [2.58952796e-01, 8.85245902e-01, 1.27529123e-01, 6.97804020e-01,
        8.55667806e-01, 8.68200837e-01],
       [2.86697538e-01, 8.85245902e-01, 1.27529123e-01, 6.25149288e-01,
        8.78621304e-01, 8.01255230e-01],
       [3.15597842e-01, 8.85245902e-01, 2.09687308e-01, 5.51940700e-01,
        8.90878027e-01, 7.94769874e-01],
       [3.43688409e-01, 8.85245902e-01, 1.27529123e-01, 4.75801089e-01,
        8.90878027e-01, 7.10669456e-01]])

最佳答案

TLDR:两者都尝试一下!

<小时/>我以前也遇到过类似的情况，我的数据集不平衡。我用过 train_test_split或 KFold才能通过。

但是，一旦我偶然发现了处理不平衡数据集的问题，并遇到了过度平衡和欠平衡的技术。为此，我建议使用该库:imblearn

您会在那里找到各种技术来处理其中一个类的数量超过另一个类的情况。我个人用过SMOTE并在此类案例中取得了相对较好的成功。

<小时/>其他引用:

https://www.analyticsvidhya.com/blog/2017/03/imbalanced-classification-problem/

https://towardsdatascience.com/handling-imbalanced-datasets-in-machine-learning-7a0e84220f28

关于python - 分割数据集以解决分类问题的正确程序是什么？，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/57142772/

文章推荐： javascript - 异步/等待同时避免 Try/Catch block ？

文章推荐： python - 多项式回归度数增加误差

具有混合数据类型(文本、数字、分类)的 Python scikit-learn 分类
我正在尝试使用 Pandas 和 scikit-learn 在 Python 中执行分类。我的数据集包含文本变量、数值变量和分类变量的混合。假设我的数据集如下所示: Project Cost
r - 分类/二进制数据总和的直方图
我想要一种图形化且有吸引力的方式来表示二进制数据的列总和，而不是表格格式。我似乎无法让它发挥作用，尽管有人会认为这将是一次上篮。数据看起来像这样(我尝试创建一个可重现的示例，但无法让代码填充 0 和
Django 分类、子分类和子分类
我有一个简单的类别模型: class Category(models.Model): name = models.CharField(max_length=200) slug = mo
通过给类加分来进行 Prolog 分类
我正在开发一个知识系统，当用户进入一道菜时，该系统可以返回酒。我的想法是根据用户的输入为每个葡萄酒类别添加分数，然后显示最适合的葡萄酒类别的前 3 个。例如，如果有人输入鱼，那么知识库中的所有红葡萄酒
r - 分类 - 因子水平的使用
我目前正在研究流失问题的预测模型。每当我尝试运行以下模型时，都会收到此错误:至少一个类级别不是有效的 R 变量名称。这将在生成类概率时导致错误，因为变量名称将转换为 X0、X1。请使用可用作有效 R
r - 如何根据另一个栅格网格单元值对栅格进行子集(分类)？
如何对栅格重新分类(子集)r1 (与 r2 具有相同的尺寸和范围)基于 r2 中的以下条件在给定的示例中。条件: 如果网格单元格值为 r2是 >0.5 ，保留>0.5中对应的值以及紧邻0.5个值的相
Java 分类 - 什么是最好的方法
我想知道在 java 中进行以下分类的最佳方法是什么。例如，我们有一个简单的应用程序，其分类如下: 空气 -----电机类型 -----------平面对象 -----非电机型 -----------
r - 分类/决策树和选择分割
这是一个非常基本的示例。但我正在做一些数据分析，并且不断发现自己编写非常类似的 SQL 计数查询来生成概率表。我的表被定义为值 0 表示事件未发生，而值 1 表示事件确实发生。 > sqldf(
python - 我将如何进行图像标记/分类？
假设我有一组护照图像。我正在开展一个项目，我必须识别每本护照上的姓名，并最终将该对象转换为文本。对于标签(或分类(我认为是初学者))的第一部分，每本护照上都有姓名，我该怎么做？我可以使用哪些技术/
c++ - 如何解决这个图像处理问题——分类
我有这张图片: 我想做的是在花和树之间对这张图片进行分类，这样我就可以找到图片中被树木覆盖的区域，以及被那些花覆盖的区域。我在想这可能是某种 FFT 问题，但我不确定它是如何工作的。单个花的 FFT
python - 二进制数据集的特征选择(分类)
我的数据集有 32 个分类变量和一个数值连续变量(sales_volume) 首先，我使用单热编码 (pd.get_dummies) 将分类变量转换为二进制，现在我有 1294 列，因为每一列都有多个
python - 如何改进神经网络预测、分类
我正在尝试学习一些神经网络来获得乐趣。我决定尝试从 kaggle 的数据集中对一些神奇宝贝传奇卡进行分类。我阅读了文档并遵循了机器学习掌握指南，同时阅读了媒体以尝试理解该过程。我的问题/疑问:我尝试
python - 分类:推文情感分析——步骤顺序
我目前正在进行推文情绪分析，并且有几个关于步骤的正确顺序的问题。请假设数据已经过相应的预处理和准备。所以这就是我将如何进行: 使用 train_test_split(80:20 比例)停止测试数据集。
r - 带有插入符号问题的 Text2Vec 分类
一些上下文:Working with text classification and big sparse matrices in R 我一直在研究 text2vec 的文本多类分类问题。包装和 ca
r - 分层(分类)数据到树状图
数据我有以下(简化的)数据集，我们称之为 df从现在开始: species rank value 1
Python 时间序列坐标的二值 RNN 分类
我一直在尝试创建一个 RNN。我总共有一个包含 1661 个单独“条目”的数据集，每个条目中有 158 个时间序列坐标。以下是一个条目的一小部分: 0.00000000e+00 1.9260968
machine-learning - 机器学习的回归、分类
我有一个关于机器学习的分类和回归问题。第一个问题，以下数据集 http://it.tinypic.com/view.php?pic=oh3gj7&s=8#.VIjhRDGG_lF 我们可以说，数据集是
matlab - Libsvm 分类 MATLAB
我用1~200个数据作为训练数据，201~220个作为测试数据格式如下:3 个类(类 1、类 2、类 3)和 20 个特征 2 1:100 2:96 3:88 4:94 5:96 6:94 7:72
machine-learning - 分类:添加一个新变量并计算改变类输出的概率
我有 2 个基于多个数字特征(例如 v1….v20)的输出类别(好和差)。如果 v1、v2、v3 和 v4 为“高”，则该类别为“差”。如果 v1、v2、v3 和 v4 为“低”，则该类别为“好”
python - 具有变化的先验概率的文本数据集的多类 NaiveBayes 分类
我遇到了使用朴素贝叶斯将文档分类为各种类别问题的问题。实际上我想知道 P(C) 或我们最初掌握的类别的先验概率会随着时间的推移而不断变化。例如，对于类(class) - [音乐、体育、新闻] 初始概

行者123

个人简介

我是一名优秀的程序员,十分优秀！

作者热门文章

滴滴打车优惠券免费领取

全站热门文章

首页

博学

6Ren·AI

商城

python - 分割数据集以解决分类问题的正确程序是什么？