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。

K均值聚类与轮廓分析

本网页通过轮廓分析方法来评估K均值聚类算法中不同聚类数量的优劣。

ROC曲线计算与分析

本页面介绍了如何使用ROC曲线来评估二元分类模型的性能,并提供了相关的代码示例和解释。

单类SVM与随机梯度下降单类SVM的比较

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。

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。

Tweedie偏差回归损失计算

本文介绍了Tweedie偏差回归损失的计算方法,包括参数设置和不同分布类型下的计算公式。

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。

DBSCAN聚类算法提取

本页面介绍了DBSCAN聚类算法的实现和应用,包括算法原理、参数设置和代码示例。

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。

多指标参数搜索与评估

本文介绍了如何使用scikit-learn库中的GridSearchCV进行多指标参数搜索,并通过图形化展示评估结果。

互信息聚类相似度评估

本文介绍了互信息这一评估指标,用于衡量两个聚类结果之间的相似度。

多标签分类:分类器链的使用

本文介绍了如何使用分类器链来解决多标签分类问题,并通过酵母数据集的实验结果来比较不同模型的性能。

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。

生成稀疏对称正定矩阵

本页面介绍了如何生成一个稀疏对称正定矩阵,并提供了相应的代码示例。

ROC与DET曲线比较

本网页介绍了ROC曲线和DET曲线在二元分类任务中的比较,包括它们的定义、绘制方法以及如何使用Python的scikit-learn库来实现。

参数优化比较:HalvingGridSearchCV vs GridSearchCV

本文介绍了如何使用HalvingGridSearchCV和GridSearchCV进行参数优化,并比较了两者的性能。

谱嵌入算法介绍

本文介绍了谱嵌入算法,即Laplacian Eigenmaps,这是一种基于图拉普拉斯矩阵的特征向量进行数据降维的方法。

AdaBoost算法在多标签分类问题中的应用

本文介绍了AdaBoost算法在多标签分类问题上的应用,包括数据集的创建、模型训练、性能分析以及算法的收敛性。

数据预处理与特征提取

本网页介绍了数据预处理和特征提取的基本概念、方法和技术,包括标准化、归一化、编码分类特征、缺失值处理、多项式特征生成、无监督降维等。

轮廓系数计算方法

本文介绍了轮廓系数的计算方法,这是一种衡量样本聚类质量的指标,包括其定义、计算公式和应用实例。

高斯过程分类在鸢尾花数据集上的应用

本文介绍了在鸢尾花数据集上应用高斯过程分类(GPC)的示例,包括各向同性和各向异性径向基函数(RBF)核的概率预测。

核岭回归与支持向量回归的比较

本文比较了核岭回归(Kernel Ridge Regression)和支持向量回归(Support Vector Regression)在不同数据集上的表现,包括它们的模型形式、损失函数、训练和预测时间。

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。

图像去噪与字典学习

本网页介绍了使用字典学习进行图像去噪的方法,并通过实验比较了不同的变换方法在重建噪声图像时的效果。

信任度评估与局部结构保留

本文介绍了一种评估降维后数据信任度的方法,该方法基于局部结构的保留程度,适用于多种降维技术。

数据可视化:混淆矩阵、ROC曲线和精确率召回率曲线

本页面介绍如何使用Python中的sklearn库进行数据可视化,包括混淆矩阵、ROC曲线和精确率召回率曲线的绘制方法。

基于新闻组数据集的共聚类算法

本文介绍了在新闻组数据集上应用共聚类算法的过程,包括数据预处理、TF-IDF向量化、Dhillon共聚类算法的应用以及与其他聚类算法的比较。

支持向量机中的样本权重示例

本页面展示了如何使用支持向量机(SVM)处理带有权重的样本数据,并可视化决策边界的变化。

scikit-learn项目决策制定与社区互动指南

本文介绍了开源项目scikit-learn的决策制定过程,包括社区成员如何反馈、互动以及不同角色的职责和决策方式。

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