梯度提升算法与模型优化

本网页探讨了如何使用梯度提升算法进行机器学习模型的优化,并通过随机森林的OOB误差和交叉验证来估计最优迭代次数。

投票分类器概率可视化

本页面展示了如何使用Python和scikit-learn库中的VotingClassifier来计算并可视化不同分类器对同一样本的概率预测结果。

聚类算法演示与比较

本网页展示了多种聚类算法的演示和比较,包括K-Means、层次聚类、均值漂移等,并探讨了聚类性能评估和特征选择的方法。

单变量特征选择与SVM分类

本网页介绍了如何使用单变量特征选择来提高含噪声数据集上的分类准确性,并通过SVM模型进行分类前后的比较。

RANSAC算法处理异常值

本页面介绍了如何使用RANSAC算法来处理数据中的异常值,并通过Python代码展示了其在异常值存在时的线性回归拟合效果。

目标编码与交叉拟合在机器学习中的应用

本文探讨了目标编码和交叉拟合在机器学习数据预处理中的重要性,并通过实例演示了如何使用这些技术来提高模型的泛化能力。

数据集加载与预处理

本页面介绍了机器学习中数据集加载和预处理的多种方法,包括数据集的获取、加载以及样本生成器的使用。

RBF核函数与SVM分类器的近似特征映射

本网页介绍了如何使用RBFSampler和Nystroem近似RBF核函数的特征映射,并在手写数字数据集上使用SVM进行分类。比较了在原始空间中使用线性SVM、使用近似映射的线性SVM以及核化SVM的结果。

Lasso回归路径计算

本文介绍了使用坐标下降法计算Lasso回归路径的过程,包括参数设置、优化函数、以及如何使用Python实现。

特征空间分析的稳健方法

本文介绍了一种在特征空间分析中使用的稳健方法,通过MeanShift聚类算法自动估计带宽,并使用matplotlib进行数据可视化。

高斯分布分类数据集生成

本页面介绍了如何生成一个多维高斯分布的分类数据集,包括参数设置和代码示例。

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。

K-Means++ 聚类算法初始化

本页面介绍了K-Means++聚类算法的初始化过程,包括算法参数、原理和代码示例。

高斯过程分类器在鸢尾花数据集上的应用

本文介绍了高斯过程分类器(GPC)在鸢尾花数据集上的应用,包括各向同性和各向异性径向基函数(RBF)核的使用和比较。

机器学习算法比较

本文通过比较KNN和逻辑回归算法在Digits数据集上的性能,展示了两种算法在分类任务上的表现。

集成树模型在鸢尾花数据集上的决策面

本文介绍了如何在鸢尾花数据集上使用集成树模型绘制决策面。

DBSCAN 聚类算法详解

本文详细介绍了DBSCAN聚类算法的参数设置、工作原理以及在Python中的实现方法。

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。

机器学习算法性能比较

本网页展示了不同机器学习算法在手写数字数据集上的性能比较。

半监督学习在手写数字识别中的应用

本文通过Label Spreading模型演示了半监督学习在手写数字识别任务中的高效性能,即使在标签数据非常有限的情况下。

特征离散化与线性分类器的性能

本文探讨了特征离散化技术如何影响线性分类器在不同数据集上的性能表现。

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。

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。

机器学习模型和复杂流程的展示

本网页介绍了如何在机器学习中展示模型和复杂的数据处理流程,包括如何使用不同的编码器和标准化工具。

机器学习可视化API:ROC曲线示例

本网页通过scikit-learn的可视化API展示了如何绘制并比较ROC曲线,包括支持向量分类器和随机森林分类器的ROC曲线。

协方差估计的收缩算法比较

本网页比较了Ledoit-Wolf和OAS两种协方差估计的收缩算法,使用高斯分布数据进行模拟。

scikit-learn 1.0版本发布亮点

本文介绍了scikit-learn 1.0版本的新特性、改进和bug修复。

线性支持向量分类器中支持向量的可视化

本页面展示了如何在线性支持向量分类器(LinearSVC)中获取并可视化支持向量。

一维核密度估计示例

本页面展示了一维核密度估计的原理和实现,包括直方图的局限性和不同核函数的应用。

高斯混合模型与正弦曲线的拟合

本文介绍了高斯混合模型在非高斯随机变量混合数据集上的表现,通过正弦曲线上的噪声点数据,探讨了不同模型的选择和效果。

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