scikit-learn 1.4版本发布亮点

本文介绍了scikit-learn 1.4版本的新特性、改进和bug修复。

分类器的概率校准

本文介绍了如何对分类器进行概率校准,并通过Brier分数评估校准后的概率质量。比较了高斯朴素贝叶斯分类器在未校准、sigmoid校准和等温校准下的性能。

验证曲线分析

本文介绍了如何使用验证曲线来分析不同参数值对模型性能的影响,并提供了具体的代码示例。

ROC曲线与交叉验证

本网页介绍了如何使用交叉验证来估计和可视化接收者操作特征(ROC)曲线的方差。

局部异常因子(LOF)异常检测

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。

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。

数据可视化与分类算法示例

本文介绍了如何使用make_moons函数生成两个交错的半圆形数据集,用于可视化分类和聚类算法的效果。

数据权重对模型的影响

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。

文本数据加载与处理

本文介绍了如何加载和处理文本数据,以便用于分类或聚类算法。

特征选择与变量依赖性分析

本页面介绍了如何使用F-test和互信息方法来分析特征与目标变量之间的依赖性,并展示了相应的Python代码实现。

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。

降维技术指南

本网页介绍了多种降维技术,包括主成分分析(PCA)、独立成分分析(ICA)、字典学习等,并提供了相应的算法实现方法。

稀疏编码与Ricker小波变换

本网页介绍了稀疏编码技术,特别是使用Ricker小波变换对信号进行稀疏表示的方法。通过比较不同的稀疏编码方法,展示了如何使用不同的原子宽度来改善信号的稀疏表示。

高斯混合模型与贝叶斯方法的应用比较

本文探讨了高斯混合模型在非高斯随机变量混合数据集上的应用,并通过贝叶斯方法比较了不同模型的性能。

集成学习算法概览

本文介绍了多种集成学习算法,包括AdaBoost、Bagging、ExtraTrees、Gradient Boosting、Isolation Forest、Random Forest、Stacking和Voting等。

半监督学习在乳腺癌数据集上的应用

本文介绍了半监督学习中的自我训练分类器在乳腺癌数据集上的应用,分析了不同阈值对分类器性能的影响。

降维技术:邻域成分分析

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。

使用支持向量机进行数据分类

本页面展示了如何使用支持向量机(SVM)进行数据分类,并通过Python代码实现线性核函数下的分类器。

偏差-方差分解与集成学习

本文通过比较单个估计器与集成方法(如Bagging)在回归问题中的偏差-方差分解,探讨了模型的偏差、方差和噪声对预测误差的影响。

特征提取工具介绍

本文介绍了多种特征提取工具,包括图像和文本数据的处理方法,以及如何将这些数据转换为机器学习模型可以处理的格式。

特征选择与聚合方法比较

本文比较了在贝叶斯岭回归问题中,单变量特征选择和特征聚合方法的效果。

决策树回归模型

本文介绍了决策树回归模型在预测带有噪声的圆圈数据中的应用,并通过Python代码展示了不同最大深度参数对模型性能的影响。

人脸检测与分类

本教程介绍了如何使用PCA和SVM对人脸数据集进行特征提取和分类。

生成S曲线数据集

本页面介绍了如何使用机器学习库生成S曲线数据集,包括参数设置和代码示例。

均值漂移聚类算法演示

本页面介绍了均值漂移算法的基本概念和实现,包括算法的数学原理、Python代码示例和可视化结果。

高斯混合模型置信椭圆绘制

本页面展示了如何使用期望最大化和变分推断方法,结合狄利克雷过程先验,绘制两个高斯分布混合的置信椭圆。

岭回归系数与L2正则化的关系

本文介绍了岭回归中L2正则化如何影响模型系数,并展示了不同正则化强度下系数的变化。

特征排列重要性与随机森林分类器

本文探讨了如何使用排列重要性来评估随机森林分类器中特征的重要性,并展示了如何处理多重共线性问题,以提高模型的准确性。

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。

二元分类任务的错误率计算

本页面介绍了如何计算二元分类任务在不同概率阈值下的错误率,包括假阳性率(FPR)和假阴性率(FNR),并提供了相应的代码示例。

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