鲁棒线性模型估计:RANSAC算法应用

本文介绍了如何使用RANSAC算法对含有异常值的数据进行鲁棒的线性模型拟合。

Huber回归与岭回归比较

本文通过生成包含异常值的数据集,比较了Huber回归和岭回归在处理异常值时的表现。

高斯过程回归分析

本文介绍了高斯过程回归分析的基本原理和实现,包括无噪声和有噪声情况下的模型拟合。

随机搜索与网格搜索的比较

本文比较了随机搜索和网格搜索在优化线性SVM的超参数时的效果和效率。

多项式核近似与线性分类器训练

本文介绍了如何使用PolynomialCountSketch高效生成多项式核特征空间近似,以训练近似核化分类器的线性分类器,并在Covtype数据集上进行实验。

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。

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。

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。

数组或稀疏矩阵的阈值化处理

本页面介绍了如何使用sklearn库对数组或稀疏矩阵进行阈值化处理,包括参数说明、返回值以及示例代码。

图像向量量化示例

本网页通过一个浣熊脸图像的例子,展示了如何使用KBinsDiscretizer进行图像的向量量化处理,并探讨了不同的压缩策略和内存占用情况。

均方误差回归损失计算

本文介绍了均方误差回归损失的计算方法,包括参数定义、计算公式和示例代码。

机器学习管道与特征选择

本文介绍了如何使用机器学习管道进行特征选择和模型训练,并展示了如何预测新样本和检查管道步骤。

约翰逊-林登斯特劳斯引理与随机投影

本网页介绍约翰逊-林登斯特劳斯引理,并通过随机投影技术展示如何在保持数据对之间距离的同时降低数据集的维度。

乳腺癌威斯康星数据集概览

本文介绍了乳腺癌威斯康星数据集,这是一个经典的二分类数据集,用于机器学习领域的分类任务。

机器学习模型验证工具

本页面介绍了一个用于验证机器学习模型是否遵循scikit-learn框架约定的工具,包括API兼容性、输入验证和形状检查等。

正则化参数Alpha对决策边界的影响

本文探讨了正则化参数Alpha在不同数据集上对决策边界的影响,并通过代码示例展示了不同Alpha值如何影响模型的决策边界。

线性支持向量机分类器中的分隔超平面

本页面展示了如何使用随机梯度下降(SGD)训练线性支持向量机(SVM)分类器,并绘制出在两个类别可分数据集中的最大分隔超平面。

半监督学习:标签传播模型在手写数字分类中的应用

本文介绍了如何使用标签传播模型在只有少量标签的情况下对手写数字数据集进行分类。

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。

支持向量机中的RBF核参数优化

本文介绍了支持向量机中RBF核的gamma和C参数对模型性能的影响,并通过可视化展示了不同参数组合下的效果。

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。

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。

K-Means++聚类算法初始化种子生成

本页面介绍了K-Means++聚类算法的初始化种子生成过程,包括Python代码示例和结果展示。

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。

线性与二次判别分析比较

本文介绍了线性判别分析(LDA)和二次判别分析(QDA)在不同数据集上的表现,并通过可视化展示了两种方法的决策边界和协方差椭球。

KBinsDiscretizer策略演示

本页面展示了KBinsDiscretizer中实现的不同离散化策略,包括均匀离散化、分位数离散化和K均值离散化,并提供了相应的Python代码示例。

多标签数据集可视化

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。

线性回归与决策树模型的比较

本文比较了线性回归模型和决策树模型在有无数据离散化情况下的表现,并提供了相应的Python代码实现。

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。

随机抽样算法详解

本文详细介绍了随机抽样算法的实现方式,包括无替换抽样的概念、参数设置、不同抽样方法的适用场景以及代码示例。

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