本页面介绍如何使用SVMlight文件格式导出工具,将数据集导出为SVMlight或libsvm格式,适用于稀疏数据集。
局部异常因子(LOF)是一种无监督异常检测方法,用于计算给定数据点相对于其邻居的局部密度偏差。本文介绍了如何在scikit-learn中使用LOF进行异常检测,并展示了如何生成带有异常值的数据集,拟合模型并绘制结果。
本文介绍了Tweedie回归评分函数的计算方法和应用示例,包括参数说明和代码实现。
本文介绍了数据科学中无监督学习的各种技术,包括降维、聚类、双聚类、信号分解、协方差估计、异常检测和密度估计等。
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Python和scikit-learn库进行多维缩放分析(MDS)和非度量多维缩放(NMDS)的示例。
本文介绍了机器学习中模型评估和优化的多种方法,包括交叉验证、超参数优化、ROC曲线等关键概念和技术。
本教程介绍了如何使用分类技术对数字数据集进行分类,包括KNN和逻辑回归方法的应用。
本文介绍了基于Xi方法的OPTICS聚类算法,包括算法参数、执行过程以及代码示例。适用于数据科学和机器学习领域。
本页面展示了如何使用Python和matplotlib库来可视化支持向量机(SVM)分类器在鸢尾花数据集上的决策边界。
本文介绍了几种交叉分解方法,包括PLS典型分析、PLS回归以及典型相关分析(CCA),并通过Python代码示例展示了这些方法的应用。
本页面介绍了均方对数误差回归损失的概念、参数、返回值以及使用示例。
本文介绍了如何使用get_scorer_names函数来获取所有可用评分器的名称,并提供了详细的参数说明、返回值以及示例代码。
本文介绍了均方对数误差回归损失的概念、参数、使用方法以及在不同情况下的应用示例。
本文介绍了如何使用递归特征消除(RFE)方法来确定手写数字识别中各个像素的重要性,并展示了如何通过代码实现这一过程。
本文比较了PCA和KernelPCA在数据投影上的差异,展示了KernelPCA在非线性数据分离上的优势。
本文介绍了如何通过聚类算法来学习归纳模型,并通过分类器对新数据样本进行分类。
本网页介绍了如何使用在线学习算法处理大型图像数据集,通过分块加载和提取图像块,使用MiniBatchKMeans进行聚类分析。
本页面展示了如何在使用支持向量分类器(SVC)之前进行单变量特征选择以提高分类分数。我们使用鸢尾花数据集,并添加了36个非信息性特征。
本文介绍了MaxAbsScaler的作用、参数、使用注意事项以及示例代码。MaxAbsScaler是一种将数据特征缩放到[-1, 1]范围内的标准化方法,适用于机器学习和数据科学领域。
本文介绍了如何使用Python加载SVMLight/LibSVM格式的稀疏数据集,并提供了代码示例。
本文介绍了如何使用受限玻尔兹曼机(RBM)进行特征提取,并结合逻辑回归分类器进行手写数字识别。
本文探讨了数据科学中邻近分析技术的应用,包括TSNE、核密度估计、最近邻分类和异常检测等。
本网页介绍了如何使用非负矩阵分解(NMF)和潜在狄利克雷分配(LDA)对文档集合进行主题提取,并展示了使用Python和scikit-learn库实现的代码示例。
本示例展示了如何使用scikit-learn库来识别0到9的手写数字图像。
本文介绍了均方误差回归损失的概念、计算方法和在机器学习中的应用。
本文介绍了余弦相似度的概念,以及如何在Python中使用sklearn库计算两个数据集之间的余弦相似度。
本页面介绍了如何使用Ledoit-Wolf方法估计协方差矩阵,并提供了Python代码示例。
本文分析了随机标签对聚类评估指标的影响,并通过实验展示了不同指标在固定和变化的类别数量下的表现。
本页面介绍了如何构建一个3D图像中像素间的连接图,包括参数说明、代码示例和返回结果的解释。