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。
Scikit-learn 是一个开源的机器学习库,用于Python编程语言。本页面介绍Scikit-learn项目的起源、发展、团队成员以及如何引用和支持该项目。
本文比较了随机搜索和网格搜索在优化线性SVM的超参数时的效果和效率。
本文介绍了如何使用PolynomialCountSketch高效生成多项式核特征空间近似,以训练近似核化分类器的线性分类器,并在Covtype数据集上进行实验。
本网页介绍了K均值算法和二分K均值算法的区别,并提供了Python代码示例,用于生成样本数据并比较两种算法的聚类效果。
本文通过乳腺癌数据集演示了自训练分类器在不同阈值设置下的效果。
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。
本页面介绍了如何使用F-test和互信息方法来分析特征与目标变量之间的依赖性,并展示了相应的Python代码实现。
本文介绍了贝叶斯岭回归和自动相关性确定(ARD)在回归分析中的应用,包括模型的健壮性、系数的恢复、以及多项式特征扩展的使用。
本文介绍了如何使用scikit-learn库中的make_scorer函数来创建一个评分器,并详细解释了其参数和使用方法。
本页面展示了如何使用Python和matplotlib库来可视化多标签分类数据。
本页面介绍如何将决策树模型导出为GraphViz格式,并提供了详细的参数说明和示例代码。
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。
本文介绍了基于特征矩阵的Ward聚类算法,这是一种递归合并聚类方法,旨在最小化簇内方差。
本页面介绍了如何计算L1正则化分类器的C参数下限,包括参数说明和示例代码。
本页面介绍了互信息的概念、计算方法以及在特征选择中的应用。
本文比较了在数据集中存在异常值时,使用鲁棒估计器和经验估计器对协方差矩阵进行估计的效果。
本文介绍了如何计算精确度和召回率,以及如何为二分类任务绘制精确度-召回率曲线。
本网页介绍了数据预处理和特征提取的基本概念、方法和技术,包括标准化、归一化、编码分类特征、缺失值处理、多项式特征生成、无监督降维等。
本页面介绍了Brier得分的概念、计算方法和应用场景,以及如何使用Python的sklearn库来计算Brier得分。
本文介绍了如何使用机器学习库中的函数来验证模型是否已经拟合,并提供了相应的代码示例。
本网页通过Python代码演示了在鸢尾花数据集上使用K最近邻分类器,并分析了不同参数权重对决策边界的影响。
本文详细介绍了指数卡方核函数的计算方法和应用场景,包括其数学表达式、参数说明以及实际的代码示例。
本网页展示了使用高斯量化数据集进行分类分析的过程,包括构建数据集、训练AdaBoost分类器、绘制决策边界和决策分数分布。
本文介绍了Matthews相关系数(MCC),这是一种在机器学习中用于衡量二元和多类分类质量的指标。它考虑了真正例、假正例、真负例和假负例,并且被认为是一种平衡的度量,即使在类别大小差异很大的情况下也可以使用。
本网页展示了如何使用最近质心分类法对iris数据集进行分类,并绘制了决策边界。
本文比较了在鸢尾花数据集上的分类器上嵌套与非嵌套交叉验证策略。嵌套交叉验证通常用于训练需要优化超参数的模型。
本网页介绍了随机森林分类器在训练过程中如何通过OOB误差进行模型验证,并提供了相应的Python代码示例。
本文通过模拟数据对比了独立成分分析(ICA)和主成分分析(PCA)在二维点云上的应用效果。
本网页介绍了使用不同机器学习模型对新闻组数据集进行文本分类的实验结果。