本页面提供scikit-learn社区交流和获取支持的指南,包括邮件列表、Stack Overflow、GitHub Discussions、问题报告等。
本文讨论了如何从少量样本中估计概率模型的精度矩阵,包括高斯模型的参数化、数据采样、以及不同估计器的性能比较。
本文介绍了约翰逊-林登斯特劳斯引理在随机投影中的应用,解释了如何通过随机投影来降低数据维度,同时保持数据点间距离的相对不变性。
本文比较了在Iris数据集上使用半监督分类器Label Spreading、Self-training和SVM生成的决策边界。
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。
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。
本文介绍了如何加载和处理文本数据,以便用于分类或聚类算法。
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。
本教程介绍了如何使用分类技术对数字数据集进行分类,包括KNN和逻辑回归方法的应用。
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。
本文介绍了如何将归纳式聚类与分类器结合使用,以提高对新数据样本的分类效率。
本页面介绍了如何使用递归特征消除(RFE)技术来评估手写数字识别中各个像素的重要性,并展示了如何通过颜色和注释清晰地可视化特征的重要性排名。
本文介绍了召回率的计算方法,包括不同参数设置下的计算方式,以及如何使用Python进行召回率的计算。
本文介绍了如何使用参数密度估计技术来学习数据集的生成模型,并利用该模型生成新的数据样本。
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。
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。
本文介绍了半监督学习算法在sklearn库中的实现,包括自我训练算法和标签传播算法的原理和应用。
本文介绍了如何使用K最近邻分类器结合网格搜索进行参数优化,并利用缓存提高计算效率。
本文介绍了KMeans与MiniBatchKMeans两种聚类算法的比较,并通过生成数据集、执行聚类、比较结果和可视化差异来展示这两种算法的不同之处。
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。
本文介绍了如何使用不同的嵌入技术对数字数据集进行处理,并比较了各种方法的效果。
本网页介绍了线性模型中正则化参数对训练和测试误差的影响,并展示了如何通过验证曲线确定最优正则化参数,以及如何比较真实系数和估计系数。
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。
本网页探讨了贝叶斯高斯混合模型中权重浓度先验的不同类型对模型拟合数据的影响。通过比较Dirichlet分布先验和Dirichlet过程先验,展示了模型如何自动适应混合成分的数量,并分析了不同浓度先验值对模型结果的影响。
本页面展示了如何使用Python和matplotlib库来生成并可视化一个随机的多标签数据集。
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。
本文介绍了如何使用皮尔逊相关系数来评估特征与目标变量之间的线性关系,并提供了相应的Python代码示例。
本网页介绍了高斯混合模型(GMM)和贝叶斯高斯混合模型(使用狄利克雷过程作为先验)的比较,包括它们的工作原理和在低维空间中的可视化展示。
本文介绍了如何使用多项式和样条变换来拟合非线性数据,并通过Python代码示例展示了如何实现这一过程。
本网页探讨了Ledoit-Wolf和Oracle Approximating Shrinkage (OAS)估计器如何提升分类性能。