正交匹配追踪算法在信号恢复中的应用

本文介绍了使用正交匹配追踪算法从带有噪声的测量中恢复稀疏信号的过程,包括算法的实现和结果展示。

低秩矩阵生成指南

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。

稳健协方差估计器:最小协方差行列式估计器

本文介绍了最小协方差行列式估计器(MCD),这是一种在数据集中存在异常值时,用于估计协方差矩阵的稳健方法。

校准曲线计算方法

本网页介绍了如何使用校准曲线来计算真实和预测概率,适用于二元分类问题。

F1分数计算方法

本页面介绍了F1分数的计算方法,包括其定义、公式、参数以及在不同情况下的应用。

集成回归预测模型比较

本网页展示了使用GradientBoostingRegressor、RandomForestRegressor和LinearRegression三种不同的回归预测模型,以及它们的集成模型VotingRegressor在糖尿病数据集上的应用和比较。

正则化路径计算

本页面展示了如何使用Python中的sklearn库来计算Lasso和弹性网络的正则化路径,并比较了标准和正则化版本的效果。

生成棋盘状数组以进行双聚类分析

本页面提供了一个用于生成棋盘状结构数组的函数,该数组可用于双聚类分析。

目标编码与交叉拟合在机器学习中的应用

本文探讨了目标编码和交叉拟合在机器学习数据预处理中的重要性,并通过实例演示了如何使用这些技术来提高模型的泛化能力。

支持向量回归(SVR)模型示例

本文介绍了使用线性、多项式和径向基函数(RBF)核的支持向量回归(SVR)模型,并提供了一个一维数据回归的示例。

文本数据加载与处理

本文介绍了如何加载和处理文本数据,以便用于分类或聚类算法。

聚类算法性能比较

本网页旨在比较MiniBatchKMeans和BIRCH两种聚类算法在合成数据集上的性能。

最近邻分类与邻域成分分析

本文介绍了使用最近邻分类器和邻域成分分析对数据进行分类的方法,并展示了如何绘制决策边界。

随机森林的袋外误差分析

本文介绍了随机森林分类器在训练过程中如何利用袋外误差进行模型验证,并提供了Python代码示例。

Scikit-learn 全局配置指南

本文介绍了如何设置scikit-learn库的全局配置,包括参数验证、内存使用、输出格式等,旨在提高机器学习任务的效率和性能。

递归特征消除与交叉验证

本页面介绍了如何使用递归特征消除(RFE)结合交叉验证来自动调整所选特征的数量。

集成学习算法概览

本文介绍了多种集成学习算法,包括AdaBoost、Bagging、ExtraTrees、Gradient Boosting、Isolation Forest、Random Forest、Stacking和Voting等。

多指标参数搜索与评估

本文介绍了如何使用scikit-learn库中的GridSearchCV进行多指标参数搜索,并通过图形化展示评估结果。

手写数字识别示例

本网页介绍了如何使用机器学习技术对手写数字图像进行识别,并提供了相应的代码示例。

稀疏矩阵的均值和方差计算

本页面介绍了如何在Python中使用稀疏矩阵计算均值和方差,并提供了示例代码。

多标签排序问题的平均精度计算

本文介绍了多标签排序问题中的评估指标——平均精度(LRAP),并提供了使用Python计算LRAP的示例代码。

L1基回归模型比较

本网页比较了三种基于L1的回归模型在合成信号上的性能,这些信号由稀疏且相关的特性构成,并受到高斯噪声的干扰。

逻辑回归与线性回归模型对比

本文通过一个合成数据集,展示了逻辑回归和线性回归模型如何对数据进行分类。

机器学习算法可视化

本页面展示了如何使用Python的matplotlib库和numpy库来可视化机器学习中的L1和L2正则化以及弹性网络算法。

ROC与DET曲线比较分类器性能

本文介绍了如何使用ROC和DET曲线来比较不同分类器的性能,并提供了相应的Python代码实现。

模型正则化对误差的影响

本网页介绍了线性模型中正则化参数对训练和测试误差的影响,并展示了如何通过验证曲线确定最优正则化参数,以及如何比较真实系数和估计系数。

高斯混合模型协方差类型比较

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。

部分依赖图可视化API

本网页展示了如何使用Python的scikit-learn库中的PartialDependenceDisplay对象来绘制和自定义部分依赖图。

随机抽样算法详解

本文详细介绍了随机抽样算法的实现方式,包括无替换抽样的概念、参数设置、不同抽样方法的适用场景以及代码示例。

受限玻尔兹曼机特征提取与数字分类

本文介绍了如何使用受限玻尔兹曼机(RBM)进行特征提取,并结合逻辑回归对数字进行分类。

沪ICP备2024098111号-1
上海秋旦网络科技中心:上海市奉贤区金大公路8218号1幢 联系电话:15216758379