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。
本指南旨在帮助用户根据数据类型和问题选择合适的机器学习估计器。
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相对于其邻居的局部密度偏差。本文介绍了如何在scikit-learn中使用LOF进行异常检测,并展示了如何生成带有异常值的数据集,拟合模型并绘制结果。
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。
本文介绍了如何使用Python的scikit-learn库来绘制加权样本的决策函数图。通过调整样本权重,观察模型决策边界的变化。
本文介绍了如何使用numpy中的RandomState对象来控制随机数生成,以及其在机器学习中的应用示例。
本网页展示了岭回归系数如何随着正则化参数的变化而变化,以及在处理高度病态矩阵时岭回归的实用性。
本文对比了独立成分分析(ICA)与主成分分析(PCA)两种不同的特征空间分析技术,并通过模拟数据展示了它们在提取信号时的不同表现。
本文通过生成的回归数据集,展示了Huber回归和岭回归在面对异常值时的不同表现,并分析了Huber回归参数epsilon对模型的影响。
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。
本文介绍了如何在包含噪声的数据集上提高分类模型的精度,通过添加非信息性特征到鸢尾花数据集,并使用支持向量机(SVM)进行分类,对比了单变量特征选择前后模型的精度和权重变化。
本文介绍了召回率的计算方法,包括不同参数设置下的计算方式,以及如何使用Python进行召回率的计算。
本文介绍了一种用于衡量两个聚类结果相似度的指标,即Rand指数。通过比较真实类别标签与预测聚类标签之间的一致性来计算相似度得分。
本页面介绍了如何计算L1正则化分类器的C参数下限,包括参数说明和示例代码。
本页介绍了D²回归评分函数,这是一种用于评估回归模型性能的度量方法。它通过比较模型预测值和实际值来计算分数,最佳得分为1.0,可能为负值。
本文介绍了Scikit-learn工具包中的内部实用工具,包括数据验证、随机抽样、线性代数计算等。
本教程展示了如何在使用加权样本的同时,预计算Gram矩阵来拟合ElasticNet模型。
本文介绍了在使用 scikit-learn 时,如何高效地利用 Cython 进行开发,包括性能优化、OpenMP 使用、类型定义等实用技巧。
本文通过学习曲线分析了朴素贝叶斯和SVM分类器的模型性能,并探讨了它们的计算成本和统计准确性。
本文介绍了一种在存在缺失值的情况下计算欧几里得距离的方法,详细解释了算法原理,并提供了Python代码示例。
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。
本文通过实验分析了支持向量机(SVM)中核函数参数gamma对模型性能的影响,并提供了相应的代码示例。
本网页介绍了如何使用图形Lasso估计器从少量样本中学习协方差和稀疏精度矩阵。
本文介绍了scikit-learn 1.0版本的新特性、改进和bug修复。
本文介绍了一种在数据分析中常用的协方差矩阵收缩算法,该算法通过调整系数来计算收缩估计值,提高模型的稳定性和准确性。
本网页介绍了如何使用交叉验证来分析接收者操作特征(ROC)曲线的方差,并展示了不同数据集的ROC响应。
本文介绍了距离度量和核函数在机器学习中的重要性,包括它们的定义、性质以及在不同算法中的应用。
本页面展示了如何使用高斯过程分类器对数据进行分类,并预测分类的概率。
本文介绍了如何将图像转换为图结构,其中像素之间的连接由梯度值加权。
本文介绍了等值回归模型的基本概念、参数设置以及实际应用示例。