糖尿病数据集的交叉验证练习

本教程介绍了如何使用交叉验证和线性模型对糖尿病数据集进行模型选择和参数调优。

数据聚类分析与KMeans算法

本文探讨了KMeans聚类算法在处理不同数据分布时的表现,包括非等方差、非等大小聚类,以及如何通过高斯混合模型解决这些问题。

数据点间传递消息的聚类分析

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。

集成学习在鸢尾花数据集上的应用

本文介绍了如何使用集成学习中的投票分类器对鸢尾花数据集进行分类,并展示了不同分类器预测结果的对比。

Pinball Loss 量化回归评估

本文介绍了Pinball Loss在量化回归中的应用,包括其参数设置、计算方法和示例代码。

LARS路径算法详解

本文详细介绍了LARS路径算法的工作原理和参数设置,包括算法的目标函数、参数详解以及代码示例。

Scikit-learn 混合类概览

本文介绍了Scikit-learn库中使用的各种混合类,包括分类器、回归器、聚类器等,并提供了如何克隆估计器和判断其类型的方法。

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。

数据类型识别

本页面解释了如何根据目标数据识别数据类型,包括连续型、二进制、多类、多输出和多标签等类型。

机器学习管道与特征选择

本文介绍了如何使用机器学习管道进行特征选择和模型训练,并展示了如何预测新样本和检查管道步骤。

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。

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。

增量主成分分析(IPCA)示例

本页面展示了增量主成分分析(IPCA)在处理大型数据集时的优势,通过与常规PCA的比较,展示了IPCA在内存使用上的优化,并提供了代码示例和结果图表。

归一化折扣累积增益(NDCG)计算方法

本文介绍了归一化折扣累积增益(NDCG)的概念、计算方法以及在机器学习中的应用。

随机投影降维技术

本文介绍了随机投影降维技术,包括其理论基础Johnson-Lindenstrauss引理,以及如何通过高斯随机投影和稀疏随机投影来减少数据维度,同时保持数据间距离的近似不变。

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。

不同聚类算法的比较分析

本文通过生成的二维数据集,比较了多种聚类算法的特性和效果,包括参数敏感度和对不同数据结构的适应性。

SVM-Anova特征选择示例

本页面展示了如何在使用支持向量分类器(SVC)之前进行单变量特征选择以提高分类分数。我们使用鸢尾花数据集,并添加了36个非信息性特征。

回归模型中目标转换的影响

本文通过合成数据和艾姆斯房价数据集探讨了在回归模型中对目标变量进行转换的益处。

机器学习算法概览

本文详细介绍了各种机器学习算法,包括线性模型、回归分析、分类器等,以及它们的应用和实现细节。

正交匹配追踪算法(OMP)详解

本文详细介绍了正交匹配追踪算法(OMP)的实现和应用,包括算法原理、参数说明、代码示例以及与其他算法的比较。

支持向量机中的正则化参数调整

本文探讨了在使用支持向量机进行分类时,如何根据样本数量调整正则化参数C,以达到最佳的分类效果。

模型拟合验证

本文介绍了如何使用机器学习库中的函数来验证模型是否已经拟合,并提供了相应的代码示例。

高斯过程分类的超参数优化分析

本文探讨了高斯过程分类(GPC)在不同超参数选择下的预测概率,以及优化对数边缘似然(LML)对模型性能的影响。

OPTICS聚类算法演示

本页面展示了OPTICS聚类算法的工作原理,包括数据生成、算法应用以及结果的可视化展示。

机器学习模型的偏依赖图可视化

本网页介绍了如何使用Python中的matplotlib和sklearn库来绘制决策树和多层感知器模型的偏依赖图,并通过API进行快速定制。

处理多重共线性特征的重要性评估

本网页介绍了如何使用随机森林分类器处理具有多重共线性特征的数据集,并计算特征的重要性。

随机投影降维技术

本文介绍了随机投影技术,一种通过牺牲一定精度来加快处理速度和减小模型大小的降维方法。

支持向量机异常检测

本网页介绍了使用支持向量机进行异常检测的方法,包括基于RBF核的OneClassSVM和基于随机梯度下降的SGDOneClassSVM。

多维缩放算法SMACOF

本文介绍了多维缩放算法SMACOF的基本原理和实现步骤,包括算法的参数设置和应用示例。

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