稳健协方差估计与马氏距离的相关性

本文介绍了在高斯分布数据中使用稳健协方差估计和马氏距离来识别异常值和进行数据聚类。

分类器的概率校准

本文介绍了如何对分类器进行概率校准,并通过Brier分数评估校准后的概率质量。比较了高斯朴素贝叶斯分类器在未校准、sigmoid校准和等温校准下的性能。

投票分类器概率可视化

本页面展示了如何使用Python和scikit-learn库中的VotingClassifier来计算并可视化不同分类器对同一样本的概率预测结果。

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。

提升开源项目效率的实践指南

本文介绍了如何通过优化问题、代码审查和团队协作来提高开源项目的效率和质量。

机器学习分类器与回归器概览

本文介绍了多种机器学习中的分类器和回归器,包括线性分类器、回归器、变量选择模型、鲁棒回归器以及广义线性模型等。

鸢尾花数据集的因子分析

本文介绍了如何使用因子分析和主成分分析(PCA)来探索鸢尾花数据集中的潜在模式,并展示了如何通过旋转来优化数据的可视化效果。

数据预处理:列选择器的使用

本文介绍了如何使用sklearn库中的ColumnTransformer和make_column_selector函数来选择数据集中的特定列进行预处理。

在线求解器性能比较

本网页展示了不同在线求解器在手写数字数据集上的性能比较。

约翰逊-林登斯特劳斯引理与随机投影

本网页介绍约翰逊-林登斯特劳斯引理,并通过随机投影技术展示如何在保持数据对之间距离的同时降低数据集的维度。

随机化算法与主成分分析

本文介绍了随机化算法在主成分分析中的应用,包括算法原理、参数设置和代码示例。

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。

流形学习技术在球面数据集上的应用

本文介绍了流形学习技术在球面数据集上的应用,并通过降维技术将数据集投影到二维空间,以获得直观的理解。

支持向量机:处理不平衡类别的超平面

本页面介绍了如何使用支持向量机(SVM)来处理不平衡数据集中的分类问题,并展示了如何找到最优的分离超平面。

独立成分分析(ICA)在噪声数据源分离中的应用

本文介绍了独立成分分析(ICA)技术在处理噪声数据源分离问题中的应用,通过模拟三个乐器同时演奏并被三个麦克风记录的场景,展示了如何使用FastICA算法来恢复每个乐器的原始信号。

R平方回归评分函数详解

本文介绍了R平方(R^2)回归评分函数的计算方法及其在机器学习模型评估中的应用。

机器学习库Scikit-learn入门指南

本网页介绍了如何使用Scikit-learn库进行机器学习任务,包括模型拟合、数据预处理、模型选择、模型评估等基本概念和操作。

在线字典学习矩阵分解问题求解

本页面介绍了在线字典学习矩阵分解问题的求解方法,包括算法参数详解和示例代码。

学习曲线与模型可扩展性分析

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。

交叉验证生成器工具

本页面介绍了一个用于构建交叉验证生成器的工具,包括参数说明、使用方法以及示例代码。

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。

径向基函数核的显式特征映射近似

本文介绍了如何使用RBFSampler和Nystroem方法来近似径向基函数核的特征映射,并在手写数字数据集上使用SVM进行分类。

鸢尾花数据集的PCA与LDA分析

本文介绍了如何使用PCA和LDA对鸢尾花数据集进行分析,包括数据的预处理、模型的建立和结果的可视化。

逻辑回归与一对多分类器

本文介绍了如何使用Python中的逻辑回归和一对多分类器进行多类分类任务,并通过数据可视化展示了分类效果。

机器学习可视化API使用示例

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。

稀疏信号恢复与正交匹配追踪

本网页介绍了如何使用正交匹配追踪算法对含有噪声的稀疏信号进行恢复处理。

多标签混淆矩阵计算方法

本文介绍了如何使用sklearn库中的multilabel_confusion_matrix函数来计算多标签混淆矩阵,用于评估分类模型的准确性。

高斯混合模型与正弦曲线的拟合

本文介绍了高斯混合模型在非高斯随机变量混合数据集上的表现,通过正弦曲线上的噪声点数据,探讨了不同模型的选择和效果。

弹性网络回归模型

本页面介绍了弹性网络回归模型的计算方法和参数配置,包括单输出和多输出任务的优化函数,以及如何使用坐标下降法来计算模型。

支持向量机中的样本权重示例

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。

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