计算折扣累积增益(Discounted Cumulative Gain)

本文介绍了如何使用折扣累积增益(Discounted Cumulative Gain, DCG)来评估多标签分类或实体排序任务的性能。

F1分数计算方法

本页面介绍了F1分数的计算方法,包括其定义、公式、参数以及在不同情况下的应用。

鲁棒协方差估计与异常检测

本文通过葡萄酒数据集的实例,探讨了在实际数据集中进行鲁棒协方差估计的必要性,以及如何使用不同的异常检测工具来理解数据结构。

Scikit-learn 项目介绍

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。

机器学习损失函数可视化

本页面展示了如何使用Python和matplotlib库来可视化不同的机器学习损失函数,包括零一损失、合页损失、感知器损失等。

k-邻居图计算

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。

密度不同的聚类分析

本文通过生成不同密度的数据集,使用OPTICS算法的Xi聚类检测方法和设置特定的可达性阈值来模拟DBSCAN算法,展示了不同阈值下DBSCAN算法的聚类效果。

机器学习中的预测与决策问题

本文探讨了机器学习中的两个基本问题:预测模型的建立和基于概率预测的决策制定。

流形学习技术比较

本文探讨了t-SNE和LLE两种流形学习技术在Swiss Roll数据集上的表现,并分析了它们在数据中添加空洞时的处理方式。

调整兰德指数(ARI)在聚类评估中的应用

本文介绍了调整兰德指数(Adjusted Rand Index, ARI)的概念、计算方法和在聚类评估中的应用。

归纳式聚类与分类器结合

本文介绍了如何将归纳式聚类与分类器结合使用,以提高对新数据样本的分类效率。

数据预处理:列选择器的使用

本文介绍了如何使用sklearn库中的ColumnTransformer和make_column_selector函数来选择数据集中的特定列进行预处理。

机器学习评估与优化

本网页介绍了机器学习中模型评估与优化的多种方法,包括交叉验证、参数优化、ROC曲线等。

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。

Scikit-learn 估计器概览

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。

机器学习策略对比

本文探讨了不同的机器学习策略,包括SGD和Adam,以及它们在不同数据集上的表现。

鲁棒协方差估计与经验协方差估计的比较

本文比较了在数据集中存在异常值时,使用鲁棒估计器和经验估计器对协方差矩阵进行估计的效果。

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。

处理缺失值的欧几里得距离计算

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。

数据科学中的邻近分析技术

本文探讨了数据科学中邻近分析技术的应用,包括TSNE、核密度估计、最近邻分类和异常检测等。

文档语料库的主题模型提取

本页面展示了在文档语料库上应用非负矩阵分解(NMF)和潜在狄利克雷分配(LDA)来提取主题结构的加法模型,并使用基于权重的前几个词作为条形图表示每个主题。

支持向量机中的样本权重调整

本文探讨了在支持向量机中如何通过调整样本权重来影响决策边界的形状,特别是对异常值的影响。

数据转换方法 - 幂变换

幂变换是一种参数化的数据转换方法,用于将数据转换为更接近正态分布的形式,以解决非恒定方差或需要正态分布的情况。

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。

高斯过程回归:基础入门示例

本文介绍了高斯过程回归(Gaussian Process Regression)的基本概念,包括无噪声和有噪声情况下的模型拟合和预测。

数据聚类算法概览

本文介绍了多种数据聚类算法,包括Affinity Propagation、K-Means、DBSCAN等,以及它们的实现方法和应用场景。

面部图像补全技术

本文介绍了使用机器学习技术来预测和补全面部图像的下半部分。

嵌套与非嵌套交叉验证比较

本文比较了在鸢尾花数据集上的分类器上嵌套与非嵌套交叉验证策略。嵌套交叉验证通常用于训练需要优化超参数的模型。

连续减半搜索示例

本网页介绍了如何使用连续减半搜索(Successive Halving)方法来选择最佳的参数组合。

弹性网络回归模型

本页面介绍了弹性网络回归模型的计算方法和参数配置,包括单输出和多输出任务的优化函数,以及如何使用坐标下降法来计算模型。

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