scikit-learn交流与支持指南

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。

异常检测算法比较

本文比较了不同异常检测算法在2D数据集上的表现,包括OneClassSVM、SGDOneClassSVM、EllipticEnvelope、IsolationForest和LocalOutlierFactor等。

物种分布数据集加载器

本页面介绍了如何使用scikit-learn库中的函数加载物种分布数据集,并提供了详细的参数说明和示例代码。

机器学习分类器与回归器概览

本文介绍了多种机器学习中的分类器和回归器,包括线性分类器、回归器、变量选择模型、鲁棒回归器以及广义线性模型等。

多层感知器分类器随机学习策略比较

本网页展示了不同随机学习策略在多层感知器分类器中的表现,包括SGD和Adam算法,并对比了不同学习率和动量参数对模型性能的影响。

高斯混合模型与贝叶斯方法的应用比较

本文探讨了高斯混合模型在非高斯随机变量混合数据集上的应用,并通过贝叶斯方法比较了不同模型的性能。

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。

分类报告生成器

这个工具可以生成一个文本报告,展示主要的分类指标,包括精确度、召回率、F1分数和支持度。

稀疏不相关设计回归问题生成

本页面介绍了如何使用sklearn库生成一个具有稀疏不相关设计和少量信息特征的回归问题数据集。

决策树模型导出为GraphViz格式

本页面介绍如何将决策树模型导出为GraphViz格式,并提供了详细的参数说明和示例代码。

亲和力传播聚类算法

本文介绍了亲和力传播聚类算法的基本原理、参数设置和应用实例,旨在帮助读者理解和掌握这种高效的聚类方法。

机器学习与因果效应推断的局限性

本文探讨了机器学习模型在统计关联和因果效应推断中的局限性,并通过模拟数据集来说明遗漏变量偏差对因果效应估计的影响。

图像去噪与PCA重建

本网页介绍了如何使用PCA和核PCA对USPS数字数据集进行去噪和重建。

图像去噪与字典学习

本网页介绍了使用在线字典学习和不同的变换方法对浣熊脸部图像碎片进行去噪的过程。

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。

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。

使用set_output API配置Transformer输出Pandas DataFrame

本文介绍了如何使用set_output API来配置scikit-learn中的Transformer,使其输出Pandas DataFrame,便于数据分析和可视化。

亲和力传播聚类算法演示

本页面展示了亲和力传播聚类算法的实现过程,包括数据生成、算法应用、结果评估和可视化展示。

机器学习可视化API指南

本指南旨在为开发者提供机器学习可视化API的详细介绍,包括如何使用API进行数据可视化和绘图工具的开发与维护。

岭回归系数与L2正则化的关系

本文介绍了岭回归中L2正则化如何影响模型系数,并展示了不同正则化强度下系数的变化。

机器学习中的决策边界可视化

本文介绍了如何使用Python和机器学习库sklearn来可视化决策边界,特别是针对Iris数据集的多类SGD分类器。

特征选择与递归特征消除算法指南

本网页介绍了特征选择的重要性和几种常用的特征选择方法,包括递归特征消除算法和单变量特征选择器等。

使用scikit-learn的评分器衡量模型性能

本文介绍了如何使用scikit-learn库中的评分器(scorer)来衡量模型性能。

高斯分布样本生成器

本网页介绍了一个用于生成多类分类数据集的高斯分布样本生成器,包括其参数设置、返回值和示例代码。

精确度、召回率和F-分数计算

本页面介绍了如何计算精确度、召回率、F-分数和支持度,这些是评估分类模型性能的关键指标。

均方根对数误差回归损失计算

本文介绍了均方根对数误差回归损失的概念、计算方法以及在机器学习中的重要性。

平均绝对百分比误差(MAPE)回归损失

本页面介绍了平均绝对百分比误差(MAPE)回归损失的概念、计算方法和应用示例。

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。

决策树在鸢尾花数据集上的应用

本文介绍了如何使用决策树对鸢尾花数据集的特征对进行训练,并展示了决策树的结构和决策边界。

支持向量机(SVM)分类器与回归分析

本文介绍了支持向量机(SVM)在不同核函数下分类器的绘制方法,并探讨了SVM在回归分析中的应用。

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