图像硬币分割的分层聚类分析

本页面展示了如何使用Ward分层聚类算法对硬币图像进行分割处理,并通过代码示例和结果展示详细说明了聚类过程和效果。

局部异常因子(LOF)异常检测

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。

加权样本的决策函数图

本文介绍了如何使用Python的scikit-learn库来绘制加权样本的决策函数图。通过调整样本权重,观察模型决策边界的变化。

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。

预测误差可视化

本文介绍了如何使用线性回归模型对糖尿病数据集进行预测,并使用交叉验证方法来可视化预测误差。

使用自定义核的SVM分类示例

本页面展示了如何使用支持向量机(SVM)进行分类,并使用自定义核函数。

Tweedie偏差回归损失计算

本文介绍了Tweedie偏差回归损失的计算方法,包括参数设置和不同分布类型下的计算公式。

scikit-learn 1.2版本发布亮点

本文介绍了scikit-learn 1.2版本的新特性、改进和bug修复。

贝叶斯岭回归与自动相关性确定

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。

随机搜索与网格搜索优化线性SVM的超参数

本文比较了随机搜索和网格搜索在优化线性SVM的超参数方面的效率和性能。

层次聚类分析:结构化与非结构化

本网页介绍了层次聚类分析中结构化与非结构化的区别,并通过瑞士卷数据集的实例演示了两种方法的应用。

机器学习:降维与支持向量分类器

本文介绍了如何结合使用降维技术与支持向量分类器进行数据预测,并通过GridSearchCV和Pipeline优化模型参数。

稳健线性估计方法比较

本文介绍了如何使用不同的稳健线性估计方法来拟合一个正弦函数,并比较了在不同情况下它们的表现。

机器学习管道可视化

本文介绍了如何使用scikit-learn库中的管道和列转换器来构建和可视化复杂的机器学习模型。

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。

决策树剪枝与成本复杂性参数

本文介绍了如何使用成本复杂性参数来控制决策树的剪枝,并通过实验展示了不同参数值对模型性能的影响。

支持向量机(SVM)参数C对分离线的影响

本文通过图形展示了支持向量机中参数C对数据分离线的影响,以及如何通过调整C值来优化模型的泛化能力。

特征聚合示例

本页面展示了如何使用特征聚合技术将相似的特征合并在一起,并通过Python代码和图表进行演示。

机器学习在Iris数据集上的应用

本文通过Iris数据集演示了标签传播、自我训练和支持向量机(SVM)在决策边界生成上的应用。

人脸特征的在线学习

本网页展示了如何使用scikit-learn的在线API来通过分块处理大型数据集,以学习一组构成人脸的图像块。

混淆矩阵在分类器评估中的应用

本文介绍了混淆矩阵在评估分类器性能中的应用,特别是在iris数据集上。混淆矩阵的对角线元素表示预测标签与真实标签相等的点数,而非对角线元素表示分类器错误标记的点数。

糖尿病数据集的LASSO路径计算

本文介绍了如何使用LASSO方法计算糖尿病数据集的正则化路径,并展示了系数向量随正则化参数变化的可视化结果。

主成分分析(PCA)在Iris数据集上的应用

本文介绍了如何使用主成分分析(PCA)技术对Iris数据集进行降维处理,并展示了数据的三维可视化效果。

机器学习模型的偏依赖图可视化

本网页介绍了如何使用Python中的matplotlib和sklearn库来绘制决策树和多层感知器模型的偏依赖图,并通过API进行快速定制。

高斯分布样本生成器

本网页介绍了一个用于生成多类分类数据集的高斯分布样本生成器,包括其参数设置、返回值和示例代码。

图像去噪:使用核主成分分析

本文介绍了如何使用核主成分分析(KernelPCA)对图像进行去噪处理,并通过比较精确重建和核PCA重建的结果,展示了去噪效果。

交叉验证评分方法

本页面介绍了如何使用交叉验证方法来评估机器学习模型的性能。

均值漂移聚类算法解析

本文详细介绍了均值漂移聚类算法的参数设置、工作原理以及实际应用示例。

列变换器与异构数据源

本网页介绍了如何使用列变换器处理包含不同类型特征的数据集,并通过20个新闻组数据集示例展示了具体的实现方法。

逻辑回归与线性回归模型比较

这篇文章通过生成一个简单的数据集,展示了如何使用逻辑回归和线性回归模型对数据进行分类,并比较了两种模型的效果。

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