scikit-learn 1.4版本发布亮点

本文介绍了scikit-learn 1.4版本的新特性、改进和bug修复。

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。

线性支持向量机(LinearSVC)示例

本页面展示了如何在使用线性支持向量机(LinearSVC)时获取支持向量。通过matplotlib和sklearn库,我们能够可视化分类边界和支持向量。

梯度提升模型中的分类特征编码策略

本文探讨了在梯度提升模型中,不同分类特征编码策略对模型性能的影响,并使用Ames Housing数据集进行实验。

多维缩放分析示例

本页面展示了如何使用Python和scikit-learn库进行多维缩放分析(MDS)和非度量多维缩放(NMDS)的示例。

平均绝对百分比误差(MAPE)

本文介绍了平均绝对百分比误差(MAPE)的概念、计算方法以及在sklearn库中的使用示例。

糖尿病数据集分析

本文介绍了如何加载和分析糖尿病数据集,包括数据的维度、特征和目标变量的描述,以及如何使用Python进行数据加载和基本操作。

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。

高斯混合模型(GMM)在鸢尾花数据集上的应用

本文介绍了高斯混合模型(GMM)在鸢尾花数据集上的应用,包括不同协方差类型的表现比较和代码实现。

非负最小二乘法与普通最小二乘法比较

本文介绍了非负最小二乘法与普通最小二乘法在回归系数估计上的比较,并提供了相应的Python代码示例。

目标变换在回归分析中的应用

本文通过合成数据和艾姆斯房价数据集,探讨了在回归分析中对目标变量进行变换以提高模型预测精度的方法。

Oracle Approximating Shrinkage算法详解

本文介绍了Oracle Approximating Shrinkage算法,这是一种用于估计协方差的技术,广泛应用于数据科学和机器学习领域。

决策树可视化指南

本文介绍了如何使用sklearn库中的tree模块来可视化决策树模型,包括参数设置和代码示例。

支持向量机与自定义核函数

本文介绍了如何使用支持向量机(SVM)结合自定义核函数进行数据分类,并展示了如何通过matplotlib进行数据可视化。

不同聚类算法的比较分析

本文通过生成的二维数据集,比较了多种聚类算法的特性和效果,包括参数敏感度和对不同数据结构的适应性。

特征选择与聚合方法比较

本文比较了在贝叶斯岭回归问题中,单变量特征选择和特征聚合方法的效果。

降维分析方法比较

本文比较了在手写数字数据集上应用的几种线性降维方法,包括PCA、LDA和NCA,并展示了它们在数据集上的可视化效果。

生成随机回归问题

本页面介绍了如何使用scikit-learn库生成随机回归问题,包括参数设置和示例代码。

最新版scikit-learn功能介绍

本文详细介绍了最新版scikit-learn中的bug修复、性能提升以及新增的关键特性。

概率校准方法比较

本文比较了不同的概率校准方法,包括无校准、sigmoid校准和isotonic校准,并使用Brier分数评估了校准后的概率质量。

逻辑回归分类器与鸢尾花数据集

本文介绍了如何使用逻辑回归分类器处理鸢尾花数据集,并展示了决策边界的可视化。

二元分类任务的错误率计算

本页面介绍了如何计算二元分类任务在不同概率阈值下的错误率,包括假阳性率(FPR)和假阴性率(FNR),并提供了相应的代码示例。

协方差估计与正则化

本网页介绍了在统计学中如何使用最大似然估计来计算协方差,并通过正则化来减少其方差,同时介绍了几种不同的正则化参数设置方法。

SGD分类器支持的凸损失函数比较

本文介绍了SGD分类器支持的多种凸损失函数,并提供了一个比较这些损失函数的图表。

偏最小二乘法及其在回归分析中的应用

本文介绍了偏最小二乘法(PLS)的基本原理、算法实现及其在回归分析中的应用。PLS是一种有效的数据降维技术,特别适用于变量数量多于观测值的情况。

决策阈值的后处理调整

本文介绍了如何使用TunedThresholdClassifierCV来根据特定指标调整分类器的决策阈值,以优化模型性能。

余弦相似度计算指南

本文介绍了余弦相似度的概念,以及如何在Python中使用sklearn库计算两个数据集之间的余弦相似度。

ROC曲线与交叉验证的方差分析

本网页介绍了如何使用交叉验证来分析接收者操作特征(ROC)曲线的方差,并展示了不同数据集的ROC响应。

多标签文本分类问题模拟

本文介绍了如何使用PCA和CCA进行多标签文本分类问题的模拟和可视化。

ROC AUC 分析方法

本文介绍了如何计算接收者操作特征曲线下面积(ROC AUC)的方法,包括二进制、多类和多标签分类的应用场景。

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