Conseguir la biblioteca adecuado para el aprendizaje automático
Video: Aprendizaje automático con scikit learn por Rafael Carrascosa - PyCon 2013
Cuando se trabaja con R y Python para el aprendizaje de máquina, se obtiene la ventaja de no tener que reinventar la rueda cuando se trata de algoritmos. Hay una biblioteca disponible para satisfacer sus necesidades específicas - sólo tiene que saber cuál usar. Esta tabla le proporciona una lista de las bibliotecas usadas para la máquina de aprendizaje para ambos R y Python. Cuando se desea realizar cualquier tarea relacionada algoritmo, sólo tiene que cargar la biblioteca necesaria para esa tarea en su entorno de programación.
Video: Musica Para Estudiar: Musica Suave, Musica para Estudiar y Musica para Concentrarse
| Algoritmo | implementación de Python | R aplicación |
| Adaboost | sklearn.ensemble.AdaBoostClassifier sklearn.ensemble.AdaBoostRegressor | biblioteca (ADA): ada |
| Impulsar gradiente | sklearn.ensemble.GradientBoostingClassifier sklearn.ensemble.GradientBoostingRegressor | biblioteca (GBM): gbm |
| K-means | sklearn.cluster.KMeans sklearn.cluster.MiniBatchKMeans | la biblioteca (Estadísticas): kmeans |
| K-vecinos más cercanos | sklearn.neighbors.KNeighborsClassifier sklearn.neighbors.KNeighborsRegressor | biblioteca (clase): KNN |
| Regresión lineal | sklearn.linear_model.LinearRegression sklearn.linear_model.Ridge sklearn.linear_model.Lasso sklearn.linear_model.ElasticNet sklearn.linear_model.SGDRegressor | la biblioteca (Estadísticas): LM la biblioteca (Estadísticas): GLM biblioteca (MASA): lm.ridge biblioteca (Lars): Lars biblioteca (glmnet): glmnet |
| Regresión logística | sklearn.linear_model.LogisticRegression sklearn.linear_model.SGDClassifier | la biblioteca (Estadísticas): GLM biblioteca (glmnet): glmnet |
| naive Bayes | sklearn.naive_bayes.GaussianNB sklearn.naive_bayes.MultinomialNB sklearn.naive_bayes.BernoulliNB | biblioteca (Klar): NaiveBayes biblioteca (e1071): naiveBayes |
| Redes neuronales | sklearn.neural_network.BernoulliRBM (En la versión 0.18 de scikit-learn, será introducted una nueva implementación de la red neural supervisada) | biblioteca (NeuralNet): NeuralNet biblioteca (AMORE): Tren biblioteca (nnet): nnet |
| PCA | sklearn.decomposition.PCA | la biblioteca (Estadísticas): PRINCOMP la biblioteca (Estadísticas): estadísticas |
| Random Forest | sklearn.ensemble.RandomForestClassifier sklearn.ensemble.RandomForestRegressor sklearn.ensemble.ExtraTreesClassifier sklearn.ensemble.ExtraTreesRegressor | biblioteca (randomForest): randomForest |
| Máquinas de Vectores Soporte | sklearn.svm.SVC sklearn.svm.LinearSVC sklearn.svm.NuSVC sklearn.svm.SVR sklearn.svm.LinearSVR sklearn.svm.NuSVR sklearn.svm.OneClassSVM | biblioteca (e1071): svm |
| SVD | sklearn.decomposition.TruncatedSVD sklearn.decomposition.NMF | biblioteca (irlba): irlba biblioteca (SVD): SVD |