本页面提供scikit-learn社区交流和获取支持的指南,包括邮件列表、Stack Overflow、GitHub Discussions、问题报告等。
本文介绍了高斯过程回归(GPR)在数据噪声水平估计、核岭回归比较、CO2水平预测以及分类问题中的应用。
本文介绍了高斯过程分类(GPC)的概率预测,通过RBF核函数的不同超参数选择,展示了优化对数边际似然(LML)对模型性能的影响。
本页面介绍了如何生成具有钟形奇异值分布的低秩矩阵,这种矩阵在实际应用中非常常见,如面部灰度图像和从网络爬取的文本文档的TF-IDF向量。
本文介绍了如何使用Python的scikit-learn库来绘制加权样本的决策函数图。通过调整样本权重,观察模型决策边界的变化。
本页面展示了高斯过程分类(GPC)在XOR数据集上的应用,并比较了静态各向同性核(RBF)与非静态核(点积核)的性能。
本文介绍了如何使用numpy中的RandomState对象来控制随机数生成,以及其在机器学习中的应用示例。
本页面展示了如何使用随机森林算法评估特征在分类任务中的重要性,并比较了基于不纯度减少和排列重要性两种方法。
本页面展示了如何使用支持向量机(SVM)进行分类,并使用自定义核函数。
本文介绍了如何使用成本复杂性剪枝来控制决策树的规模,并通过实例代码展示了不同ccp_alpha值对决策树的影响。
本文介绍了不同聚类算法在二维数据集上的表现,并对算法参数进行了调整以获得较好的聚类效果。
本页面展示了如何使用支持向量机(SVM)进行数据分类,并通过Python代码实现线性核函数下的分类器。
本文介绍了解决多标签分类问题的几种策略,包括独立模型、分类器链和集成模型,并使用酵母数据集进行实验比较。
本网页介绍了如何使用贝叶斯高斯混合模型对玩具数据集进行拟合,并分析了不同权重浓度先验对模型的影响。
本文比较了在贝叶斯岭回归问题中,单变量特征选择和特征聚合方法的效果。
本文介绍了一种基于局部异常因子(LOF)的无监督异常检测方法,该方法通过计算给定数据点与其邻居的局部密度偏差来识别异常值。
本教程展示了如何在使用加权样本的同时,预计算Gram矩阵来拟合ElasticNet模型。
本网页介绍了如何使用数据可视化API进行快速绘图和视觉调整,无需重新计算。
本文通过学习曲线分析了朴素贝叶斯和SVM分类器的模型性能,并探讨了它们的计算成本和统计准确性。
本页面展示了如何使用随机森林和贝叶斯分类器在高维稀疏数据上进行降维和分类。
本文介绍了如何使用scikit-learn库与Array API兼容的输入数据结构,以及如何利用CuPy和PyTorch在GPU上进行机器学习模型的训练和转换。
本网页介绍了在统计学中如何使用最大似然估计来计算协方差,并通过正则化来减少其方差,同时介绍了几种不同的正则化参数设置方法。
本网页介绍了如何使用机器学习可视化API来比较ROC曲线,并展示了如何加载数据、训练支持向量分类器和随机森林分类器,以及如何绘制ROC曲线。
本文介绍了高斯过程回归(Gaussian Process Regression)的基本概念,包括无噪声和有噪声情况下的模型拟合和预测。
本网页展示了高斯混合模型(GMM)中不同协方差类型在鸢尾花数据集上的性能比较。
本网页介绍了如何使用列变换器处理包含不同类型特征的数据集,并通过20个新闻组数据集示例展示了具体的实现方法。
本网页展示了常规K均值聚类算法与二分K均值聚类算法之间的差异,并提供了代码示例和可视化图表。
本文介绍了如何计算接收者操作特征曲线下面积(ROC AUC)的方法,包括二进制、多类和多标签分类的应用场景。
本文介绍了在新闻组数据集上应用共聚类算法的过程,包括数据预处理、TF-IDF向量化、Dhillon共聚类算法的应用以及与其他聚类算法的比较。
本页面展示了如何使用支持向量机(SVM)处理带有权重的样本数据,并可视化决策边界的变化。