data-science

    1熱度

    1回答

    我有一個LSTM,它的輸出是相同的。我怎麼能解決這個問題?以下是參數。我很想有一個普遍的答案,因爲這將幫助我瞭解解決方案,以防萬一我再次看到它。 ​​ 訓練結束後,我得到下面的輸出: 0b 1b 2b 3b 4b 5b 2017-06-30 0.077203 0.180573 0.314528 0.287455 0.110213 0.030026 2017-07-03 0.077

    -1熱度

    3回答

    的數據幀我有如下一個數據幀: H A B C D ------------------ X 1 10 2 11 Y 2 15 8 14 Z NA 23 NA 16 W 5 67 5 NA X 4 1 6 2 Y 1 3 2 9 Z 2 NA 9 17 能否請你告訴我R命令,給了我相應的H值爲爲A的最大值, B的最大值,C的最大值和D的最大值,並將數據存儲在向量中。 在COL的最

    3熱度

    2回答

    我試圖解決一個二進制分類問題,其中80%的數據屬於類x和20%的數據屬於類y。我的所有模型(AdaBoost,神經網絡和SVC)都預測所有數據都是類x的一部分,因爲這是他們可以達到的最高精度。 我的目標是爲類x的所有條目實現更高的精度,我不在乎有多少條目被錯誤地歸類爲類y的一部分。 我的想法是將模型中的條目放入類x中,然後將其放入類y中。 我該怎麼做到這一點?有沒有辦法移動閾值,以便只有非常明顯的

    1熱度

    3回答

    我正在尋找Pandas .corr()方法的幫助。 由於是,我可以使用.corr()方法來計算列的每一個可能的組合的熱圖: corr = data.corr() sns.heatmap(corr) 其中,在我的23000列的數據幀,可熱死近終止宇宙。 我還可以做值的子集之間的比較合理的相關性 data2 = data[list_of_column_names] corr = data2.c

    -1熱度

    2回答

    我是新的Python和數據科學,我想知道什麼是處理我的csv文件的最佳方法。 我有一個csv與50.000行和2.000列 - 30.000Kb。到目前爲止,我的python程序不需要很長時間就可以讀取它;但我擔心會消耗太多的內存並使我的程序變慢。 目前我正在讀與大熊貓文件: pd.read_csv(tf.gfile.Open(pathA), sep=None, skipinitialspace=

    1熱度

    1回答

    我在anaconda中使用我自己的稱爲datascience的環境。 當我發現我需要Geopandas軟件包並使用conda install進行安裝時,Geopandas軟件包已安裝在「根環境」中。 是否有任何方式將軟件包直接安裝到環境或從根環境複製到另一環境? 謝謝!

    -1熱度

    1回答

    我已經採取了3個分類模型, clf1 = DecisionTreeClassifier(max_depth=4) clf2 = KNeighborsClassifier(n_neighbors=7) clf3 = SVC(kernel='rbf', probability=True) 我將它們傳遞給投票分類作爲參數,並選擇柔和投票。 eclf = VotingClassifier(esti

    1熱度

    1回答

    第一個CSV文件。 DATE TIME ENG-1 ENG-2 ENG-3 ENG-4 ENG-5 ENG-6 '01 10 2016' '06:35:00' 0.28596 0.29029 0.28756 0.28571 0.30868 0.14109 '01 10 2016' '06:40:00' 0.44193 0.45012 0.44324 0.44423 0.46907 0.2

    0熱度

    1回答

    我是一名商業智能分析師,開始使用python進行數據分析。 我正處於爲內部使用(營銷分析師)編碼營銷分析應用程序的初期階段,無需使用MS Excel進行計算。 的主要目標是: 提示,要求選擇原始文件 讀CSV/XLSX數據 清理(刪除空值,下降總行,格式化數字和日期等) 轉換(創建像每點擊成本等指標 impressi插件,每引線,廣告支出的回報,像 Facebook的每個頻道,YouTube,谷歌

    -4熱度

    3回答

    這是我的數據集: offerid category countty browserid devid click 0 887235 17714 e Firefox NaN 0 1 178235 21407 b Mozilla Desktop 0 2 518539 25085 a Edge NaN 0 3 390352 40339 c Firefox Mobile 0 4 47