局部异常因子(LOF)异常检测方法

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与其邻居的局部密度偏差。本网页介绍了如何使用LOF进行异常检测,包括生成带有异常值的数据、模型拟合、结果绘图等步骤。

雅卡尔相似系数计算指南

本指南详细介绍了如何使用雅卡尔相似系数来评估分类模型的性能,包括参数设置、代码示例和不同情况下的计算方法。

ROC曲线与交叉验证

本网页介绍了如何使用交叉验证来估计和可视化接收者操作特征(ROC)曲线的方差。

t-SNE 算法的可视化分析

本文通过不同的困惑度值对t-SNE算法进行可视化分析,探讨了不同参数对算法结果的影响。

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。

标签传播算法演示

本页面通过一个简单的示例演示了标签传播算法在半监督学习中的应用,通过可视化的方式展示了算法的工作原理。

森林覆盖类型数据集加载指南

本文介绍了如何使用scikit-learn库加载森林覆盖类型数据集,并提供了详细的参数说明和示例代码。

机器学习评分器的创建与使用

本文介绍了如何使用scikit-learn库中的make_scorer函数来创建一个评分器,并详细解释了其参数和使用方法。

加权众数计算方法

本文介绍了一种计算加权众数的方法,通过给定的数组和权重,找到出现频率最高的值及其对应的加权计数。

Scikit-learn 全局配置指南

本文介绍了如何设置scikit-learn库的全局配置,包括参数验证、内存使用、输出格式等,旨在提高机器学习任务的效率和性能。

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。

多标签分类数据可视化

本页面展示了如何使用Python和matplotlib库来可视化多标签分类数据。

基于特征矩阵的Ward聚类算法

本文介绍了基于特征矩阵的Ward聚类算法,这是一种递归合并聚类方法,旨在最小化簇内方差。

层次聚类方法比较

本网页通过生成的2D数据集,比较了不同的层次聚类方法在处理噪声和非球形数据集时的表现。

高斯过程在离散数据结构上的应用

本网页介绍了如何使用高斯过程对非固定长度特征向量形式的数据进行回归和分类任务。

scikit-learn工具和函数介绍

本页面介绍了scikit-learn库中用于数据科学和机器学习的各种工具和函数。

决策树回归模型

本文介绍了决策树回归模型在预测带有噪声的圆圈数据中的应用,并通过Python代码展示了不同最大深度参数对模型性能的影响。

使用L1正则化的逻辑回归进行MNIST数字分类

本网页介绍了如何使用L1正则化的逻辑回归模型对MNIST数据集中的手写数字进行分类,并展示了模型的稀疏性以及测试得分。

人脸检测与分类

本教程介绍了如何使用PCA和SVM对人脸数据集进行特征提取和分类。

核密度估计(KDE)示例

本文介绍了核密度估计(KDE)技术,这是一种强大的非参数密度估计方法,用于从数据集中学习生成模型,并从中抽取新的样本。

数据标准化方法介绍

本文介绍了一种数据标准化方法,通过中心化和基于四分位数范围的缩放来处理数据,适用于机器学习中的预处理步骤。

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。

均方根误差回归损失

本文介绍了均方根误差(Root Mean Squared Error)回归损失的概念、计算方法以及在机器学习中的应用。

物种地理分布建模

本文介绍了如何使用OneClassSVM模型来预测南美两种哺乳动物的地理分布,并展示了模型的ROC曲线下面积。

二元分类数据生成

本页面介绍了如何生成用于二元分类的样本数据,这些数据基于标准独立高斯分布,并根据特定的规则定义目标变量。

FastICA算法详解

本文介绍了独立成分分析(ICA)的FastICA算法实现,包括算法参数、原理和应用示例。

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。

分类器决策边界的可视化

本文通过可视化不同分类器的决策边界,帮助理解各种机器学习算法在不同数据集上的表现。

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。

部分依赖图可视化API

本网页展示了如何使用Python的scikit-learn库中的PartialDependenceDisplay对象来绘制和自定义部分依赖图。

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