Warning: file_get_contents(/var/www/html/ad/index.json): Failed to open stream: No such file or directory in /var/www/html/assist_functions.php on line 203

Warning: Trying to access array offset on value of type null in /var/www/html/assist_functions.php on line 205

Warning: file_get_contents(/var/www/html/ad/index.json): Failed to open stream: No such file or directory in /var/www/html/assist_functions.php on line 219

Warning: Trying to access array offset on value of type null in /var/www/html/assist_functions.php on line 221
scikit-learn技术文档

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。

特征选择与聚合的比较

本文比较了两种降维策略:单变量特征选择与方差分析和特征聚合与Ward层次聚类。这两种方法在回归问题中使用贝叶斯岭作为监督估计器进行比较。

缺失值处理技术

本文探讨了在构建估计器前如何处理缺失值,包括使用常数、均值、中位数或众数等方法。

scikit-learn版本更新通知

关注scikit-learn的版本更新,获取最新的机器学习库信息。

处理缺失值的欧几里得距离计算

本文介绍了一种在数据中存在缺失值时计算欧几里得距离的方法,包括算法原理、参数说明、代码示例和应用场景。

平均绝对百分比误差(MAPE)

本文介绍了平均绝对百分比误差(MAPE)的概念、计算方法以及在sklearn库中的使用示例。

贝叶斯回归器比较

本网页比较了两种不同的贝叶斯回归器:自动相关性确定(ARD)和贝叶斯岭回归。通过生成合成数据集,展示了这两种模型的系数估计,并使用多项式特征展开来拟合非线性关系。

基于Xi方法的OPTICS聚类分析

本文介绍了基于Xi方法的OPTICS聚类算法,包括算法参数、执行过程以及代码示例。适用于数据科学和机器学习领域。

线性回归模型分析

本网页旨在通过线性回归模型分析,比较不同特征对目标变量的影响,并展示模型的可视化效果。

逻辑回归中的L1惩罚与稀疏性

本文比较了在不同C值下,使用L1、L2和Elastic-Net惩罚的逻辑回归模型的稀疏性。

数据离散化策略

本文介绍了三种数据离散化策略:均匀离散化、分位数离散化和K均值离散化,并通过Python代码和图表展示了这些策略的应用和效果。

生成Friedman #2回归问题数据集

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。

稀疏矩阵的均值和方差计算

本页面介绍了如何在Python中使用稀疏矩阵计算均值和方差,并提供了示例代码。

scikit-learn工具和函数介绍

本页面介绍了scikit-learn库中用于数据科学和机器学习的各种工具和函数。

使用set_output API配置Transformer输出Pandas DataFrame

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。

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。

批量生成器示例

本页面提供了一个使用Python的sklearn库中的gen_batches函数来生成批量数据的示例。

在线字典学习矩阵分解问题求解

本页面介绍了在线字典学习矩阵分解问题的求解方法,包括算法参数详解和示例代码。

交叉验证评分方法

本文介绍了如何使用交叉验证来评估机器学习模型的性能,包括参数设置、使用方法和示例代码。

数据预处理与特征提取

本网页介绍了数据预处理和特征提取的基本概念、方法和技术,包括标准化、归一化、编码分类特征、缺失值处理、多项式特征生成、无监督降维等。

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。

多类别分类的标签二值化

本文介绍了如何使用scikit-learn库中的函数将多类别标签转换为二值化形式,以便用于机器学习算法中。

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。

支持向量机(SVM)参数分析

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。

数据可视化:混淆矩阵、ROC曲线和精确率召回率曲线

本页面介绍如何使用Python中的sklearn库进行数据可视化,包括混淆矩阵、ROC曲线和精确率召回率曲线的绘制方法。

精确度、召回率和F-分数计算

本页面介绍了如何计算精确度、召回率、F-分数和支持度,这些是评估分类模型性能的关键指标。

聚类完整性度量

聚类完整性度量是一种评估聚类结果的方法,用于判断同一类别的数据点是否被分配到同一个聚类中。

平均铰链损失函数解析

本文介绍了平均铰链损失函数的计算方法,包括二分类和多分类情况下的损失计算,以及如何使用Python的sklearn库进行实际计算。

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