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。
本文介绍了如何使用核函数计算两个数组之间的相似性,包括线性、多项式、径向基函数等不同核函数的使用。
本文介绍了一种基于数据点间传递消息的聚类方法,使用Affinity Propagation算法进行样本数据的聚类,并评估聚类效果。
本文比较了核岭回归(Kernel Ridge Regression, KRR)和支持向量回归(Support Vector Regression, SVR)两种方法,它们都利用核技巧学习非线性函数。这两种方法在损失函数上有差异,KRR通常在中等规模数据集上训练速度更快,但预测时速度较慢。
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。
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。
本文介绍了如何在scikit-learn库中使用set_output方法来配置模型输出为pandas DataFrame格式,并提供了详细的代码示例。
本文介绍了如何使用TunedThresholdClassifierCV调整分类模型的决策阈值,并使用糖尿病数据集进行示例演示。
本页面提供了一个关于如何使用scikit-learn库中的make_blobs函数来生成高斯数据簇的详细指南。
本页面介绍了如何使用Python的sklearn库生成Friedman #2回归问题的数据集,包括数据的生成方法和参数说明。
本文介绍了如何使用get_scorer_names函数来获取所有可用评分器的名称,并提供了详细的参数说明、返回值以及示例代码。
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。
本页面介绍了如何使用Python中的机器学习库对图像数据进行聚合和恢复处理。
本网页介绍了如何使用AIC和BIC标准来选择最佳的Lasso回归模型,并提供了相应的Python代码示例。
本文通过合成的分类数据集,展示了特征离散化技术如何通过将特征分解成多个区间,并使用独热编码,来增强线性分类器的性能。同时,对比了在线性可分和非线性可分数据集上,特征离散化对分类器性能的影响。
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。
本文介绍了如何使用PowerTransformer和QuantileTransformer将不同分布的数据映射到正态分布,并分析了变换前后的数据可视化效果。
本文介绍了如何使用随机森林回归器和多输出回归器进行多目标回归分析。通过比较这两种方法,我们可以了解它们在预测多个输出时的效能和偏差。
本文介绍了如何使用排列重要性方法来评估机器学习模型中各个特征的重要性。
本网页介绍了在统计学中常用的几种协方差估计方法,包括最大似然估计、Ledoit-Wolf估计和OAS估计,并比较了它们在不同情况下的表现。
本文通过生成不同类型的数据集来展示k-means聚类算法在不同情况下的表现,包括非最优聚类数量、各向异性分布、不等方差和大小不一的聚类。
本文介绍了scikit-learn 1.0版本的新特性、改进和bug修复。
本教程旨在通过使用不同的SVM核函数来分类鸢尾花数据集,提供了详细的代码实现和结果展示。
本文详细介绍了均值漂移聚类算法的参数设置、工作原理以及实际应用示例。
本网页展示了如何使用最近质心分类法对iris数据集进行分类,并绘制了决策边界。
本页面展示了如何使用单类SVM进行异常检测,包括数据生成、模型训练、预测及结果可视化。
本页面展示了在鸢尾花数据集上使用不同SVM分类器的效果,包括线性和非线性模型的决策边界。
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。
本文对比了K-Means和MiniBatchKMeans两种聚类算法的性能,并展示了如何生成数据集、执行聚类以及结果的可视化。
本页面介绍了如何使用Ledoit-Wolf方法估计协方差矩阵,并提供了Python代码示例。