深度森林: 将决策树和深度学习结合起来,具有比深度神经网络少得多的超参数,并且其模型复杂性可以以数据依赖的方式自动确定。可用于分类和回归。
pip install deep-forest
# Deep forest 要求输入的数据是2D Numpy array
# 数据shape格式(n_samples, n_features)
from sklearn.datasets import load_digits
from sklearn.model_selection import train_test_split
X, y = load_digits(return_X_y=True)
# 训练数据在前,测试数据在后
X_train, X_test, y_train, y_test = train_test_split(X, y)
Deep forest 模型提供分类和回归两种模型
分类模型:CascadeForestClassifier
回归模型:CascadeForestRegressor
# 深度森林的一个关键优势是其依赖于数据集的自适应模型复杂性。
# 超参数的默认设置使其能够在所有数据集上表现得相当好。
from deepforest import CascadeForestClassifier
model = CascadeForestClassifier()
# Deep forest提供Scikit-Learn用于训练和评价的APIs
# 给出训练数据X_train和标签数据y_train
model.fit(X_train, y_train)
# 一旦模型训练完成,调用predict()进行模型预测
from sklearn.metrics import accuracy_score
y_pred = model.predict(X_test)
acc = accuracy_score(y_test, y_pred) * 100 # classification accuracy
# 保存模型
model.save(MODEL_DIR) # MODEL_DIR:保存模型的路径
new_model = CascadeForestClassifier()
new_model.load(MODEL_DIR) # 加载现有模型
# 注意:new_model和model不完全相同,只有model的关键信息被保存
# 分类的例子
from sklearn.datasets import load_digits
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
from deepforest import CascadeForestClassifier
# Load data
X, y = load_digits(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y)
model = CascadeForestClassifier()
# Train and evaluate
model.fit(X_train, y_train)
y_pred = model.predict(X_test)
acc = accuracy_score(y_test, y_pred) * 100
print("\nTesting Accuracy: {:.3f} %".format(acc))
# Save the model
model.save("model")
学习链接:
文章浏览阅读2.7k次,点赞2次,收藏40次。系统主要分为管理员和普通用户和员工三部分,主要功能包括个人中心,普通用户管理,员工管理,人事档案管理,部门管理,薪酬管理,人事调动管理,职务管理,培训管理,招聘信息管理,求职简历管理,邀请面试管理,录用信息管理,员工应聘管理,系统管理等功能。管理员登录进入人事管理系统可以查看个人中心,普通用户管理,员工管理,人事档案管理,部门管理,薪酬管理,人事调动管理,职务管理,培训管理,招聘信息管理,求职简历管理,邀请面试管理,录用信息管理,员工应聘管理,系统管理等功能等内容。..._基于springboot人事管理系统
文章浏览阅读8.4k次,点赞2次,收藏6次。try { JSONObject object=new JSONObject("{\"showid\":\"38f5ef6ae35711e0a046\", \n" + " \"showname\":\"\\u996d\\u5c40\\u4e5f\\u75af\\u72c2\", \n" + _java解析未知json
文章浏览阅读1.8k次,点赞12次,收藏51次。记录自己比较感兴趣的2D目标检测文章。_target-aware dual adversarial learning
文章浏览阅读1.1w次,点赞66次,收藏151次。文章目录先来说说Java中的Stack类不用Stack至少有以下两点原因该用ArrayDeque还是LinkedList?结论先来说说Java中的Stack类Java中Stack类从Vector类继承,底层是用数组实现的线程安全的栈。栈是一种后进先出(LIFO)的容器,常用的操作push/pop/peek。不过Java中用来表达栈的功能(push/pop/peek),更适用的是适用双端队列接口Deque,并用ArrayDeque/LinkedList来进行初始化。Deque<Integer&g_java中的栈类
文章浏览阅读179次。MySql】Navicat 连接数据库出现1251。– 修改远程连接权限 % 可换为自己的电脑ip。_navicat11 1251
文章浏览阅读872次。python3使用pymysql返回字典_pymysql返回字典
文章浏览阅读164次。下载redis windows版 https://github.com/microsoftarchive/redis/releases (msi版本可以一键安装)PHP安装redis扩展 https://www.cnblogs.com/enjie/p/7978879.htmlPHP安装igbinary扩展 https://pecl.php.net/package/igbinary/3.1...._windows laravel 8使用 phpredis 扩展来连接 redis
文章浏览阅读832次,点赞14次,收藏18次。软件能够实现几乎无延迟的语音翻译,让我们能够即时理解对方的意图并作出快速的回应。这一过程中,翻译结果的呈现流畅且准确,为我们提供了近乎无缝的跨语言交流体验。DeepL Translator的翻译结果准确度高,能够准确地把握原文的含义,避免了歧义和误解的产生。它拥有直观简洁的界面,操作简单方便。它采用了先进的语音识别和机器翻译技术,结合大量的语料库进行训练,确保翻译结果的准确性和流畅性。
文章浏览阅读1.4w次,点赞32次,收藏286次。本文的目标是实现识别摄像头图像中的数字。实际应用场景包括 车牌号识别 ,部分竞赛的 A4纸打印数字识别 。摄像头数字识别分为两个步骤:1. 提取图像中的ROI区域,如截取车牌的矩形区域,或截取A4纸的图像。2. 对ROI区域进行数字识别。数字识别相对来说较为简单,先介绍数字识别的方法和原理。_摄像头数字识别在其他场景下识别不了
文章浏览阅读2k次。三次握手和四次挥手的总结_tcp三次挥手四次挥手
文章浏览阅读2k次。平时在用“Login with Facebook”功能进行跳转登录时,因为其用到了多个URL重定向跳转,所以总会给我有一种不安全的感觉。但是,要想发现Facebook漏洞,并非易事,需要莫大的功夫和精力,更别说涉及登录的Facebook OAuth了,这更是难上加难。然而,我就发现了Facebook OAuth这么一个漏洞,获得了Facebook官方$55,000的奖励。就是这么一个漏洞...
文章浏览阅读5.7k次,点赞4次,收藏27次。docker中容器和镜像的关系_docker镜像和容器的关系