Полагаю, вы можете полностью избавиться от словаря. Вот возможный способ создания экземпляров разных классификаторов с разными параметрами:
from sklearn.ensemble import RandomForestClassifier, BaggingClassifier
for model in [RandomForestClassifier, BaggingClassifier]:
for n in [5, 10, 20]:
clf = model(random_state=12345, n_estimators=n)
print(clf)
Приведенный выше код дает:
RandomForestClassifier(bootstrap=True, class_weight=None, criterion='gini',
max_depth=None, max_features='auto', max_leaf_nodes=None,
min_impurity_decrease=0.0, min_impurity_split=None,
min_samples_leaf=1, min_samples_split=2,
min_weight_fraction_leaf=0.0, n_estimators=5, n_jobs=1,
oob_score=False, random_state=12345, verbose=0,
warm_start=False)
RandomForestClassifier(bootstrap=True, class_weight=None, criterion='gini',
max_depth=None, max_features='auto', max_leaf_nodes=None,
min_impurity_decrease=0.0, min_impurity_split=None,
min_samples_leaf=1, min_samples_split=2,
min_weight_fraction_leaf=0.0, n_estimators=10, n_jobs=1,
oob_score=False, random_state=12345, verbose=0,
warm_start=False)
RandomForestClassifier(bootstrap=True, class_weight=None, criterion='gini',
max_depth=None, max_features='auto', max_leaf_nodes=None,
min_impurity_decrease=0.0, min_impurity_split=None,
min_samples_leaf=1, min_samples_split=2,
min_weight_fraction_leaf=0.0, n_estimators=20, n_jobs=1,
oob_score=False, random_state=12345, verbose=0,
warm_start=False)
BaggingClassifier(base_estimator=None, bootstrap=True,
bootstrap_features=False, max_features=1.0, max_samples=1.0,
n_estimators=5, n_jobs=1, oob_score=False, random_state=12345,
verbose=0, warm_start=False)
BaggingClassifier(base_estimator=None, bootstrap=True,
bootstrap_features=False, max_features=1.0, max_samples=1.0,
n_estimators=10, n_jobs=1, oob_score=False, random_state=12345,
verbose=0, warm_start=False)
BaggingClassifier(base_estimator=None, bootstrap=True,
bootstrap_features=False, max_features=1.0, max_samples=1.0,
n_estimators=20, n_jobs=1, oob_score=False, random_state=12345,
verbose=0, warm_start=False)
Microsoft помогла команде оптимизировать PHP для Windows, работа которой является частью PHP 5.3. Некоторые цифры, которые я видел, показывают производительность, близкую к PHP + Apache в Unix-системах. До версии 5.3 (что означает, что в настоящее время, поскольку версии 5.3 еще нет), производительность в Windows низкая. Я думаю, что есть некоторые патчи и приемы, которые вы можете использовать, чтобы улучшить его, но это будет стоить вам немного производительности. Это может или не может быть проблемой; Люди склонны переоценивать производительность.
Обратите внимание, что существуют другие причины для использования Unix, а не только производительность. Код может быть не переносимым, и хотя ядро php работает нормально, вы можете столкнуться с проблемами с расширениями php и сторонними библиотеками. Независимо от того, как вы смотрите на это, Windows является второсортной системой для запуска php.
Если ваше приложение невелико или его ударили пару тысяч раз в секунду, между ними нет никакой разницы. LAMP == WAMP в небольших проектах php. Просто установите что-то вроде XAMPP , если вы хотите, чтобы ваша среда была как можно ближе к существующей, но в Windows.
Удачи в вашем проекте!
Вы должны рассмотреть MS WebPI (скачать по адресу www.microsoft.com/web), который установит весь стек для вас, чтобы запустить PHP в среде IIS7.
производительность сопоставима для большинство приложений.
Я только что сделал это по той же причине. Mgt хотел избавиться от Linux. Мне удалось полностью переместить свое приложение php и базу данных MySQL. На настройку PHP для IIS у меня ушло больше времени, чем на перемещение существующего содержимого. Однако я обнаружил, что сервер IIS работает немного медленнее, когда дело доходит до загрузки страниц и изображений. Если в Linux это выглядело мгновенно, то в IIS для загрузки страницы требуется полсекунды, а для изображений - еще одна секунда.