Top-k 准确率评分

本页面介绍了Top-k准确率评分的概念、参数、返回值以及示例代码。

生成双聚类结构数组

本文介绍了如何生成一个用于双聚类的常数块对角结构数组,包括参数说明、返回值以及示例代码。

RANSAC算法处理异常值

本页面介绍了如何使用RANSAC算法来处理数据中的异常值,并通过Python代码展示了其在异常值存在时的线性回归拟合效果。

随机森林与梯度提升树模型性能比较

本文比较了随机森林(RF)和直方图梯度提升树(HGBT)模型在回归数据集上的得分和计算时间。

DBSCAN聚类算法演示

本页面展示了DBSCAN聚类算法的实现和评估,包括数据生成、算法应用、结果可视化和性能评估。

多项式核函数计算

本网页介绍了多项式核函数的计算方法,包括其数学表达式、参数说明、代码示例等。

排列测试在模型评估中的应用

本页面介绍了如何使用排列测试来评估交叉验证分数的重要性,并解释了p值在统计学上的意义。

对数损失函数详解

本文详细解释了对数损失函数,包括其定义、计算方式、参数说明以及在逻辑回归和神经网络中的应用。

主成分回归与偏最小二乘回归的比较

本文比较了主成分回归(PCR)和偏最小二乘回归(PLS)在一个小数据集上的表现,展示了在目标变量与数据中的某些低方差方向强相关时,PLS如何优于PCR。

Ledoit-Wolf协方差矩阵估计

本页面介绍如何使用Ledoit-Wolf方法来估计协方差矩阵,并提供Python代码示例。

异常检测:孤立森林示例

本文介绍了如何使用孤立森林算法进行异常检测,并展示了如何在Python中生成数据、训练模型以及可视化决策边界。

不平衡数据集的样本权重估计

本文介绍了如何在不平衡数据集中估计样本权重,以帮助改善分类模型的性能。

生成高斯数据簇

本页面提供了一个关于如何使用scikit-learn库中的make_blobs函数来生成高斯数据簇的详细指南。

距离计算函数详解

本文详细介绍了如何使用机器学习库中的函数来计算两点之间的最小距离,并提供了代码示例和参数说明。

机器学习中的降维与模型选择

本文介绍了如何使用Pipeline和GridSearchCV进行降维和模型选择,并通过代码示例展示了PCA、NMF和特征选择技术的应用。

鲁棒协方差估计与经验协方差估计的比较

本文比较了在数据集中存在异常值时,使用鲁棒估计器和经验估计器对协方差矩阵进行估计的效果。

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。

批量生成器示例

本页面提供了一个使用Python的sklearn库中的gen_batches函数来生成批量数据的示例。

决策树回归与AdaBoost算法

本页面介绍了使用AdaBoost算法增强决策树回归模型的过程,包括数据准备、模型训练与预测以及结果可视化。

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。

图像分割:谱聚类算法示例

本网页展示了如何使用谱聚类算法对图像进行分割,将图像分解为多个部分同质区域。

L1距离计算示例

本页面介绍了如何使用sklearn库中的函数计算两个样本集之间的L1距离,即曼哈顿距离,并提供了代码示例。

稀疏矩阵的行缩放操作

本文介绍了如何在Python中使用CSR或CSC格式的稀疏矩阵进行行缩放操作。

随机森林嵌入与降维

本网页介绍了如何使用随机森林嵌入技术进行数据的高维稀疏表示,以及如何利用该技术进行非线性降维和分类。

高斯过程回归:基础入门示例

本文介绍了高斯过程回归(Gaussian Process Regression)的基本概念,包括无噪声和有噪声情况下的模型拟合和预测。

scikit-learn 1.0版本发布亮点

本文介绍了scikit-learn 1.0版本的新特性、改进和bug修复。

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。

增量计算均值和方差

本页面介绍了如何在CSR或CSC矩阵上沿指定轴增量计算均值和方差。

一维核密度估计示例

本页面展示了一维核密度估计的原理和实现,包括直方图的局限性和不同核函数的应用。

聚类完整性度量

聚类完整性度量是一种评估聚类结果的方法,用于判断同一类别的数据点是否被分配到同一个聚类中。

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