利用Python进行数据分析(原书第2版)
作者:Wes McKinney
出版社:机械工业出版社
ISBN:9787111603702
VIP会员免费
(仅需0.8元/天)
¥ 60.0
温馨提示: 价值40000元的1000本电子书,VIP会员随意看哦!
电子书推荐
-
决策树 id3 python代码与数据 评分:
决策树id 3.0的python代码,包含数据集adult。该数据也是我博客的一个附属品,全文可百度: "joey 周琦 csdn 机器学习算法之: 决策树"
上传时间:2015-10 大小:651KB
- 37KB
ID3决策树的Python代码
2015-01-05ID3决策树的Python代码和相关的数据集
- 1KB
ID3决策树python代码
2018-01-04ID3决策树python代码,有注释,有数据读入和处理,正确率统计等功能,非常实用,欢迎下载
- 101KB
决策树ID3源码和数据
2017-08-23对照Python3进行代码修改,实现ID3算法
- 2KB
决策树算法(ID3)代码
2016-10-23决策树算法(ID3)代码
- 5KB
python实现ID3算法
2018-11-17本资源提供了机器学习算法中决策树-ID3算法的源码,使用python作为编程语言,代码在python3.5下能够直接运行
- 23B
利用python进行数据分析 中文第二版-附件资源
2021-03-02利用python进行数据分析 中文第二版-附件资源
- 46KB
python实现决策树ID3算法的示例代码
2020-09-20主要介绍了python实现决策树ID3算法的示例代码,小编觉得挺不错的,现在分享给大家,也给大家做个参考。一起跟随小编过来看看吧
- 531B
决策树数据
2017-12-21决策数数据,用来验证demo的。 保存成了csv格式,方便测试
- 496B
用于构造决策树的小数据集
2018-04-16数据挖掘概念与技术课本P218页数据表格式为.csv。。决策树一般采用贪心策略**自顶向下**递归的分治方式构造,从训练元组集和与之相关联的类标号开始,随着树的构建,训练集递归地划分成较小的子集。构造过程大致如下: 1. 构造**根结点**,根据**属性选择度量**(例如ID3的信息增益)来选择合适的属性作为根结点。 2. 根据根结点的属性值(可能是离散的,连续的或二值的)**分枝**,每个分枝代表元组在该属性下可能满足的条件。
- 1.88MB
ID3算法及数据集
2017-09-03ID3算法及数据集ID3算法及数据集ID3算法及数据集ID3算法及数据集ID3算法及数据集ID3算法及数据集ID3算法及数据集ID3算法及数据集ID3算法及数据集ID3算法及数据集ID3算法及数据集ID3算法及数据集ID3算法及数据集ID3算法及数据集ID3算法及数据集
- 2KB
Python实现ID3算法
2016-08-21Python实现对IrisData的分类,使用ID3算法
- 95KB
Python3 ID3决策树判断申请贷款是否成功的实现代码
2020-09-16主要介绍了Python3 ID3决策树判断申请贷款是否成功的实现代码,本文通过实例代码给大家介绍的非常详细,对大家的学习或工作具有一定的参考借鉴价值,需要的朋友可以参考下
- 10KB
基于ID3算法的决策树的实现
2015-10-21ID3算法的大致实现,同学们可以作为参考
- 18KB
决策树算法ID3的代码实验,编译后可直接使用的ID3代码
2018-09-22决策树算法ID3的代码实验,编译后可直接使用的ID3代码,欢迎下载
- 1.17MB
决策树ID3算法实验_数据集car_databases
2018-06-12用python编写的决策树ID3算法,运用了Car-Evaluation的例子。BUG较少,综合了网上的优秀代码,并进一步形成自己的代码。代码基本有注释,风格良好,能够很快看懂。内含有比较规范的报告文档,包含所有流程图,说明图,以及文档风格绝对不错,无需更改,建议下载! 该算法所测试的数据集如下(已经打包在内,并已经生成xls格式,方便直接使用): 已知:UCI标准数据集Car-Evaluation,定义了汽车性价比的4 个类别; 求:用ID3算法建立Car-Evaluation的属性描述决策树 Car-Evaluation训练数据集文件: 1. car_databases.pdf 2. car_evalution-databases.pdf
- 455KB
决策树ID3及C4.5算法实现源代码
2018-11-06机器学习,决策树ID3及C4.5算法实现源代码(西瓜数据集2.0测试及结果)
- 665KB
机器学习对adult数据集的测试训练python
2021-04-05基于python对adult数据集进行可视化,再进行测试集和训练集划分,采用KNN和决策树算法对该数据集进行训练,这是一个jupyter文件,附带。csv为数据集文件,若与官方数据集文件不同,那便是略经处理。该文件由我与另一位作者共同完成。
- 1.45MB
Python 学习笔记 第二版.pdf
2019-08-15Python 学习笔记 第二版.pdf
- 23.4MB
利用Python进行数据分析(第二版)1
2022-08-03前言第 2 版新内容本书第 1 版出版于 2012 年,彼时基于 Python 的开源数据分析库(例如 pandas)仍然是一个发展迅速的新事物。在本次更新、拓
- 42KB
ID3算法的python2.7实现
2017-12-27ID3算法的Python2.7实现,添加了GUI界面 文章链接:http://blog.csdn.net/weixin_40638517/article/details/78909080
- 7.86MB
Python数据分析
2018-03-20利用Python进行数据分析PDF版本,利用Python进行数据分析PDF版本,利用Python进行数据分析PDF版本,利用Python进行数据分析PDF版本,利用Python进行数据分析PDF版本,利用Python进行数据分析PDF版本,利用Python进行数据分析PDF版本,利用Python进行数据分析PDF版本,利用Python进行数据分析PDF版本,利用Python进行数据分析PDF版本,利用Python进行数据分析PDF版本,利用Python进行数据分析PDF版本,利用Python进行数据分析PDF版本,利用Python进行数据分析PDF版本,利用Python进行数据分析PDF版本,
- 13.30MB
利用Python进行数据分析 原书第2版_python_数据分析_
2021-10-02口碑比较好的数据分析参考书,Python编程、库,以及用于数据分析的工具。
- 56KB
决策树.zip
2019-07-02决策树(西瓜数据集3.0) python实现 决策树(西瓜数据集3.0)
- 365KB
蘑菇数据集
2017-11-13此数据集非常适合用来做决策树,可以用来练习决策树建模。以及其他的分类模型的构建。
- 793B
隐形眼镜数据集
2017-12-18决策树数据集
- 4KB
c++实现决策树分类算法(内附测试数据)
2015-07-16使用c++语言实现决策树分类算法,经过测试之后无需修改就可以完美运行,内附测试数据,十分方便快捷
- 795B
决策树需要隐形眼镜数据集
2017-06-18机器学习实战所需数据集
- 6.77MB
基于Python+pytorch的图像处理+附完整代码图像处理,能够轻松实现图像的读取、显示、裁剪等还有机器学习等操作
2024-04-17Python+PyTorch:图像处理界的“瑞士军刀” 在图像处理这个充满魔法的世界里,Python和PyTorch这对黄金搭档,就像一位技艺高超的魔法师和一把无所不能的“瑞士军刀”,总能轻松解决各种看似棘手的难题。它们以高效、灵活和强大的特性,引领着图像处理技术的发展潮流,让无数开发者为之倾倒。Python,这位优雅的魔法师,以其简洁易懂的语法和丰富的库资源,赢得了广大开发者喜爱。无论是数据处理、机器学习还是深度学习,Python都能轻松应对,展现出其无与伦比的魅力。在图像处理领域,Python更是如鱼得水,通过OpenCV、PIL等库,能够轻松实现图像的读取、显示、裁剪、缩放、滤波等操作,让图像在指尖起舞。而PyTorch,这把图像处理界的“瑞士军刀”,则以其灵活性和易用性,成为深度学习领域的翘楚。它拥有强大的自动求导功能,能够轻松构建和训练复杂的神经网络模型。在图像处理中,PyTorch能够助力开发者构建出各种高效的图像识别、分割、生成等模型,让图像焕发出新的生机。想象一下,当你掌握了Python和PyTorch这对黄金搭档,就如同掌握了一把魔法杖和一把瑞士军刀。必然大可作为
- 29.74MB
python大作业 含爬虫、数据可视化、地图、报告、及源码(2016-2021全国各地区粮食产量).rar
2022-05-01(含源码及报告)本程序分析了自2016年到2021年(外加)每年我国原油加工的产量,并且分析了2020年全国各地区原油加工量等,含饼状图,柱状图,折线图,数据在地图上显示。运行本程序需要requests、bs4、csv、pandas、matplotlib、pyecharts库的支持,如果缺少某库请自行安装后再运行。文件含6个excel表,若干个csv文件以及一个名字为render的html文件(需要用浏览器打开),直观的数据处理部分是图片以及html文件,可在地图中显示,数据处理的是excel文件。不懂可以扫文件中二维码在QQ里面问。