KernelMethods_MVA_Kaggle:与“内核方法”课程的MVA Kaggle挑战相关的代码

【文件属性】：
文件名称：KernelMethods_MVA_Kaggle:与“内核方法”课程的MVA Kaggle挑战相关的代码
文件大小：13KB
文件格式：ZIP
更新时间：2021-03-07 22:14:44
Python KernelMethods_MVA_Kaggle 与“内核方法”课程的MVA Kaggle挑战相关的代码。 建议方案 a）实现线性分类器以使用_mat100.csv文件（例如，逻辑回归）。 您也可以从用作分类器的岭回归估计量开始（标签-1或+1上的回归），因为这很容易实现。 ＃尼古拉斯（21/02） b）使用高斯核（仍使用*_mat100.csv文件）移至非线性分类器。 内核岭回归是一个不错的选择，但是您可以使用支持向量机（使用QP求解器）。 为什么从内核岭回归开始？ 因为它可以用几行代码实现。 吉恩（21/02） c）然后开始处理原始序列。 是时候为这些数据设计一个好的内核了！ ＃ 我们会看到... 技术细节 要求： 的Python 3.7.1 安装 Python 要从头开始创建环境： python3 -m venv venv 激活环境： source activate

【文件预览】：
KernelMethods_MVA_Kaggle-main
----models()
--------kernelRidgeRegression.py(863B)
--------logisticRegression.py(1KB)
--------__init__.py(0B)
--------kernelLogisticRegression.py(1KB)
--------ridgeRegression.py(534B)
----environment.yml(3KB)
----pipelines()
--------gaussianKernelRidge.yml(2KB)
----LICENSE(1KB)
----run.py(4KB)
----.gitignore(483B)
----README.md(2KB)
----utils()
--------datasetSplitter.py(2KB)
--------kernels.py(661B)
--------test()
--------evaluation.py(431B)
--------__init__.py(0B)
--------datasetPreprocess.py(262B)