一、简介 GridSearchCV，它存在的意义就是自动调参，只要把参数输进去，就能给出最优化的结果和参数。但是这个方法适合于小数据集，一旦数据的量级上去了，很难得出结果。这个时候就是需要动脑筋了。数据量比较大的时候可以使用一个快速调优的方法——坐标下降。它其实是一种贪心算法：拿当前对模型影响最大的参数调优，直到最优化；再拿下一个影响最大的参数调优，如此下去，直到所有的参数调整完毕。 Random

参考： 1、http://scikit-learn.org/stable/ 2、http://scikit-learn.org/stable/modules/decomposition.html#decompositions 2.5. Decomposing signals in components (matrix factorization problems) 2.5.1. Principal

参考:http://blog.csdn.net/bryan__/article/details/52056112 目录(?)[-] 一xgboost的优点 二xgboost的参数  转自httpblogcsdnnetwzmsltwarticledetails50994481 General Parameters Booster Parameters Parameter for Tree Boost

GridSearchCV，用来自动调参，只要把参数输进去，就能给出最优化的结果和参数，适合于小数据集。GridSearchCV用于系统地遍历多种参数组合，通过交叉验证确定最佳效果参数。 GridSearchCV官方网址：http://scikit-learn.org/stable/modules/generated/sklearn.model_selection.GridSearchCV.htm

auto-sklearn是一个自动化的机器学习工具包，是scikit-learn估算器的直接替代品： >>> import autosklearn.classification>>> cls = autosklearn.classification.AutoSklearnClassifier()>>> cls.fit(X_train, y_train)>>> predictions = cls.p

Sklearn-pandas既可以视为一个通用型的机器学习工具包，也可是视为一些特定算法的实现。它在具体的机器学习任务中主要充当支持者的角色。 这里所谓支持者的角色，按照其官网的解释即是说：Sklearn-pandas在Scikit-Learn和pandas之间提供了一个互通的桥梁（这一点从项目的名称也能看出）。Scikit-Learn上文已经提过，这里pandas是指一个开源的基于Python实

Hyperopt-sklearn是基于scikit-learn项目的一个子集，其全称是：Hyper-parameter optimization for scikit-learn，即针对scikit-learn项目的超级参数优化工具。由于scikit-learn是基于Python的机器学习开源框架，因此Hyperopt-sklearn也基于Python语言。 Hyperopt-sklearn的文档

高效方便的机器学习库 官方文档：http://scikit-learn.org/stable/documentation.html Example：http://scikit-learn.org/stable/auto_examples/ 简述sklearn里我用过的一些类和函数

问题内容： 我正在尝试使用scikit Learn软件包中的svm函数进行python处理，但出现错误消息： ImportError：无法导入名称“ check_arrays” 我正在使用python 3.4。谁能给我建议？提前致谢。 问题答案： 将此方法从0.16中删除，替换为（非常不同）的函数。您可能会收到此错误，因为您没有从0.15正确升级到0.16。[或者因为您在sklearn中依赖的不是

机器学习是自动从数据中提取知识的过程，通常是为了预测新的，看不见的数据。一个典型的例子是垃圾邮件过滤器，用户将传入的邮件标记为垃圾邮件或非垃圾邮件。