regression

Summary：利用OpenCV中的LBF算法进行人脸关键点检测（Facial Landmark Detection） Author： Amusi Date： 2018-03-20 Note： OpenCV3.4以及上支持Facemark 原文： OpenCV实战：人脸关键点检测（FaceMark） PS： 点击“ 阅读原文 ”，可以下载所有源码和模型 ，记得给star哦！ 教程目录 测试环境 引言 Facemark API Facemark训练好的模型 利用OpenCV代码进行实时人脸关键点检测 步骤 代码 实验结果 Reference 测试环境 Windows10 Visual Studio 2013 OpenCV3.4.1 引言 人脸一般是有68个关键点，常用的人脸开源库有Dlib，还有很多深度学习的方法。 本教程仅利用OpenCV，不依赖任何其它第三方库来实现人脸关键点检测，这一特性是之前没有的。因为OpenCV自带的samples中只有常见的人脸检测、眼睛检测和眼镜检测等（方法是harr+cascade或lbp+cascade）。 本教程主要参考Facemark : Facial Landmark Detection using OpenCV[1] 截止到2018-03-20，OpenCV3.4可支持三种人脸关键点检测，但目前只能找到一种已训练好的模型

本 文采用Kaggle上面的Boston HousePrice数据集展示了如何建立机器学习模型的通常过程 ，包括以下几个阶段： 数据获取 数据清洗 探索性数据分析 特征工程 模型建立 模型集成 标签变量（房价） 采取了对数转换，使其符合正太分布，最后从12个备选模型中选出预测效果最好的6个模型Lasso，Ridge，SVR，KernelRidge，ElasticNet，BayesianRidge分别进行加权平均集成和Stacking集成，最后发现Stacking集成效果更好，创新之处在于将Stacking集成后的数据加入原训练集中再次训练Stacking集成模型，使得模型性能再次得到改善，作为最后的预测模型，预测结果提交kaggle上后表现不错。另外受限于训练时间，超参数搜索空间小，有待改善。 数据获取 Kaggle官网提供了大量的机器学习数据集，本文从其中选择了Boston HousePrice数据集，下载地址为https://www.kaggle.com/c/house-prices-advanced-regression-techniques/data，下载后的数据集包括train.csv，test.csv，data_description.txt，sample_submission.csv四个文件，顾名思义train.csv为训练数据集，用于训练模型，test

点击上方 “ 小白学视觉 ”，选择加" 星标 "或“ 置顶 ” 重磅干货，第一时间送达 在线教育场景下的学生退课行为预测，一直是机器学习（ML）与教育（EDU）交叉领域内较为火热的研究课题。 近年间，针对该方向的研究对象大多集中为大规模开放性在线课程（Massive Open Online Course, MOOC）的学生，通过收集 MOOC 平台上学生近期平台登录记录与相关网页埋点反馈数据，研究人员制作相关特征向量并结合机器学习模型算法，如Simple Logistic Regression、Gradient BoostingDecision Tree、Iterative Logistic Regression 等，对存在退课高风险的学生进行预测。 不同于针对MOOC平台学生的预测，当前研究领域对 K12 在线教育平台的学生退课预测还处于初期探索阶段。除此之外，在线 K12 教育平台的数据类型与 MOOC 平台数据相比存在更多模态，例如 K12 教育平台的学生在课前课后与平台顾问直接会产生沟通记录、课程进行过程中也会有相应的音视频记录等。因此，先前关于 MOOC平台的退课预测研究的方法与结论很难直接用于 K12 在线教育场景。 针对这些问题与特点，在2019年初，我们使用某K12在线教育1对1平台2018年秋冬季学期的学生历史行为数据

一.数据产生 1 from sklearn.datasets import make_classification, make_blobs 2 from matplotlib.colors import ListedColormap 3 from sklearn.datasets import load_breast_cancer 4 from adspy_shared_utilities import load_crime_dataset 5 6 cmap_bold = ListedColormap([ ' #FFFF00 ' , ' #00FF00 ' , ' #0000FF ' , ' #000000 ' ]) 7 8 # make_regression:随机产生回归模型的数据 9 # 参数：n_samples : 数据个数 10 # n_features:数据中变量个数 11 # n_informative:有关变量个数 12 # bias:线性模型中的偏差项 13 # noise:高斯分布的标准差 14 # random_state:随机数的种子生成器 15 16 # 简单(一个参数)的回归数据 17 from sklearn.datasets import make_regression 18 plt.figure() 19 plt.title( ' Sample