人类活动识别问题是将专业线束或智能手机记录的加速度计数据序列分类为已知且定义明确的运动。鉴于每秒产生的大量观测值、观测值的时间性质以及将加速度计数据与 [...] 关联的清晰方法缺乏，这是一个具有挑战性的问题。
作者归档 | Jason Brownlee
如何使用Python开发框架来抽查机器学习算法
算法抽查是一种应用机器学习技术，旨在快速客观地为新的预测建模问题提供第一组结果。与寻求最佳算法或算法最佳配置的网格搜索和其他类型的算法调优不同，抽查旨在评估一组多样化的 [...]。
标准人类活动识别问题简介
人类活动识别问题是将专业线束或智能手机记录的加速度计数据序列分类为已知且定义明确的运动。鉴于每秒产生的大量观测值、观测值的时间性质以及将加速度计数据与 [...] 关联的清晰方法缺乏，这是一个具有挑战性的问题。
使用机器学习算法进行室内移动时间序列分类
室内运动预测涉及使用无线传感器信号强度数据来预测建筑物内受试者的位置和运动。这是一个具有挑战性的问题，因为没有直接的分析模型可以将来自多个传感器的可变长度信号强度数据跟踪转换为用户行为。“室内用户运动”数据集是一个 [...]。
用于预测空气污染日的概率预测模型
空气污染的特征是地表臭氧浓度。通过风速和温度等气象测量，有可能预测明天的地表臭氧是否会达到足以发布公众空气污染警报的足够高水平。这是用于 [...] 的标准机器学习数据集的基础。
Python 中概率评分方法的简明介绍
如何在 Python 中评估概率预测并培养对不同指标的直觉。预测分类问题的概率而不是类别标签，可以为预测提供额外的细微差别和不确定性。附加的细微差别允许使用更复杂的指标来解释和评估预测的概率。总的来说，用于 [...] 的方法。
如何开始使用深度学习进行时间序列预测（7 天迷你课程）
时间序列预测深度学习速成课程。在 7 天内将深度学习方法应用于您的时间序列项目。时间序列预测具有挑战性，尤其是在处理长序列、嘈杂数据、多步预测以及多个输入和输出变量时。深度学习方法为时间序列预测提供了很大的潜力，例如 [...]。
如何使用 scikit-learn 中的校准分类模型
在分类问题中，预测每个可能类别的观测概率可能比直接预测类别值更方便。预测概率可以提供一些灵活性，包括决定如何解释概率、呈现带有不确定性的预测以及提供更细致的方式来评估模型的能力。预测 [...]。
如何在 Python 中使用 ROC 曲线和精确率-召回率曲线进行分类
在分类问题中，预测每个类别的观测概率可以比直接预测类别更灵活。这种灵活性来自于可以根据不同的阈值来解释概率的方式，这使得模型操作者能够在模型产生的错误中权衡关注点， [...]。
如何根据环境因素预测房间占用率
像 Arduino 设备这样的小型计算机可以用于建筑物内，记录环境变量，从中可以预测简单而有用的属性。一个例子是根据温度、湿度和相关测量等环境测量来预测房间是否有人居住。这是一种常见的时序分类 [...]。