计算折扣累积增益(Discounted Cumulative Gain)

本文介绍了如何使用折扣累积增益(Discounted Cumulative Gain, DCG)来评估多标签分类或实体排序任务的性能。

SVMlight文件格式导出工具

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。

多项式核近似与线性分类器训练

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。

处理缺失值的欧几里得距离计算

本文介绍了一种在数据中存在缺失值时计算欧几里得距离的方法,包括算法原理、参数说明、代码示例和应用场景。

独立成分分析与主成分分析对比

本文对比了独立成分分析(ICA)与主成分分析(PCA)两种不同的特征空间分析技术,并通过模拟数据展示了它们在提取信号时的不同表现。

单类SVM与随机梯度下降单类SVM的比较

本网页展示了如何在RBF核的情况下,使用随机梯度下降版本的单类SVM来近似sklearn.svm.OneClassSVM的解决方案。

模型特征重要性分析

本文介绍了如何通过随机排列特征值的方法来评估模型中各个特征的重要性,并探讨了该方法的优势和局限性。

K-Means++ 聚类算法初始化

本页面介绍了K-Means++聚类算法的初始化过程,包括算法参数、原理和代码示例。

构建标签关系矩阵

本文介绍了如何使用sklearn.metrics.cluster中的contingency_matrix函数来构建描述真实标签与预测标签之间关系的矩阵。

协方差估计与异常检测

本网页介绍了协方差估计和异常检测的基本概念,包括椭圆包络、经验协方差、图形Lasso、Ledoit-Wolf估计等方法,并提供了相应的计算公式和代码示例。

稀疏不相关设计回归问题生成

本页面介绍了如何使用sklearn库生成一个具有稀疏不相关设计和少量信息特征的回归问题数据集。

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。

梯度提升回归模型的应用实例

本文介绍了如何使用梯度提升回归模型来处理糖尿病数据集的回归问题,并展示了模型的训练过程、误差计算以及特征重要性的可视化。

人脸数据集加载指南

本网页介绍了如何加载和使用Labeled Faces in the Wild (LFW)人脸数据集,包括数据集的参数设置和使用示例。

降维技术:邻域成分分析

本文介绍了使用邻域成分分析(NCA)进行降维的方法,并与PCA和LDA进行了比较。

高斯混合模型初始化方法比较

本文比较了四种高斯混合模型的初始化方法:kmeans、random、random_from_data和k-means++。通过生成样本数据并使用不同的初始化方法,展示了每种方法的收敛速度和初始化时间。

特征重要性评估

本文介绍了如何使用随机森林模型来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。

贝叶斯高斯混合模型分析

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。

正交匹配追踪算法(OMP)详解

本文详细介绍了正交匹配追踪算法(OMP)的实现和应用,包括算法原理、参数说明、代码示例以及与其他算法的比较。

信任度评估与局部结构保留

本文介绍了一种评估降维后数据信任度的方法,该方法基于局部结构的保留程度,适用于多种降维技术。

数据转换方法 - 幂变换

幂变换是一种参数化的数据转换方法,用于将数据转换为更接近正态分布的形式,以解决非恒定方差或需要正态分布的情况。

欧几里得距离计算

本页面介绍了如何使用Python的sklearn库来计算两个向量数组之间的欧几里得距离矩阵,包括计算方法、参数说明以及示例代码。

多类分类策略比较与优化

本网页介绍了如何在机器学习中处理多类分类问题,包括使用scikit-learn库中的不同策略进行比较和优化。

高斯过程分类器示例

本页面展示了如何使用高斯过程分类器对数据进行分类,并预测分类的概率。

单类SVM异常检测示例

本页面展示了如何使用单类SVM进行异常检测,包括数据生成、模型训练、预测及结果可视化。

随机化SVD算法介绍

本页面介绍了随机化SVD算法的原理、参数和应用示例。

SVM分类器在鸢尾花数据集上的应用

本页面展示了在鸢尾花数据集上使用不同SVM分类器的效果,包括线性和非线性模型的决策边界。

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。

单类SVM算法介绍

本文介绍了单类SVM算法,这是一种无监督学习算法,用于新颖性检测,能够将新数据分类为与训练集相似或不同。

机器学习中的偏差、方差和噪声

本文探讨了机器学习中模型的偏差、方差和噪声问题,并介绍了如何通过验证曲线和学习曲线来评估模型性能。

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