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。
本文介绍了一种基于局部异常因子(LOF)的无监督异常检测方法,该方法通过计算给定数据点与其邻居的局部密度偏差来识别异常值。
本文介绍了如何使用scikit-learn库中的cross_validate函数来评估机器学习模型的性能,包括参数设置和使用示例。
本文介绍了如何在鸢尾花数据集上使用集成树模型绘制决策面。
Scikit-learn 是一个开源的机器学习库,用于Python编程语言。本页面介绍Scikit-learn项目的起源、发展、团队成员以及如何引用和支持该项目。
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。
本文介绍了如何计算二分类问题中的阳性和阴性似然比,包括它们的定义、计算公式以及在医学诊断中的应用。
本文介绍了加法卡方核的计算方法,这是一种在机器学习中用于特征数组比较的核方法。
本文介绍了如何使用scikit-learn库进行数据划分和模型验证,包括不同的交叉验证方法和它们的可视化展示。
本文介绍了使用邻域成分分析(NCA)进行降维的方法,并与PCA和LDA进行了比较。
本页面介绍一种用于排序稀疏图的算法,该算法确保每一行的值按照递增顺序存储。
本文介绍了如何使用k-邻居图计算方法来分析样本数据,包括参数设置和代码示例。
本文比较了不同的概率校准方法,包括无校准、sigmoid校准和isotonic校准,并使用Brier分数评估了校准后的概率质量。
本文介绍了机器学习库scikit-learn的最新版本中新增的一些关键特性和改进,包括固定阈值分类器、阈值优化分类器、PCA性能提升等。
本文介绍了几种交叉分解方法,包括PLS典型分析、PLS回归以及典型相关分析(CCA),并通过Python代码示例展示了这些方法的应用。
本页面提供了一个关于如何使用字典学习解决矩阵分解问题的详细解释,包括算法参数、代码示例和结果分析。
本文介绍了如何使用Scikit-learn库中的函数来检索所有继承自BaseEstimator的估计器类。
本页面提供了如何加载和使用20个新闻组数据集的详细指南,包括参数设置和示例代码。
本文介绍了排名损失的计算方法,这是一种衡量多标签分类问题中标签对错误排序的平均数量的方法。
本文介绍了在高斯分布数据中使用稳健协方差估计和马氏距离来识别异常值和进行数据聚类。
本页面展示了DBSCAN聚类算法的工作原理和效果,通过生成的合成数据集进行演示,并使用不同的评估指标来衡量聚类质量。
本文介绍了数据科学中无监督学习的各种技术,包括降维、聚类、双聚类、信号分解、协方差估计、异常检测和密度估计等。
本文比较了各种贝叶斯回归模型,包括线性贝叶斯回归器、弹性网络、L1惩罚和稀疏信号模型等,并探讨了它们在不同数据集上的表现。
本文探讨了数据权重在模型训练中的作用,并通过Python代码示例展示了权重如何影响决策边界。
葡萄酒数据集是一个经典的多类分类数据集,包含178个样本,每个样本有13个特征。
本文比较了在支持向量机(SVC)估计器中,使用连续减半搜索(HalvingGridSearchCV)和网格搜索(GridSearchCV)进行参数搜索的效果,并展示了两者的效率和准确性。
本文介绍了均方误差回归损失的概念、计算方法和在机器学习中的应用。
本文介绍了如何使用交叉验证方法来评估机器学习模型的预测性能,并提供了详细的参数说明和代码示例。
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。
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。