交叉验证与排列测试

本文介绍了如何使用排列测试来评估交叉验证分数的统计显著性,以及如何解释得到的p值。

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。

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。

模型性能比较:Lasso、ARD与ElasticNet

本网页介绍了Lasso、ARD和ElasticNet三种模型在处理高维稀疏数据时的性能比较。

数组输入验证指南

本页面介绍了如何对输入的数组、列表或类似结构进行验证,包括数据类型、数值检查、稀疏矩阵格式转换等。

多维缩放分析示例

本页面展示了如何使用Python和scikit-learn库进行多维缩放分析(MDS)和非度量多维缩放(NMDS)的示例。

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。

支持向量机(SVM)分类器决策边界可视化

本页面展示了如何使用Python和matplotlib库来可视化支持向量机(SVM)分类器在鸢尾花数据集上的决策边界。

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。

机器学习管道中的特征选择

本文介绍了如何在机器学习的管道中集成特征选择,并通过分类报告展示了模型的性能。

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。

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。

鸢尾花数据集的逻辑回归分析

本页面展示了如何使用Python中的逻辑回归模型对鸢尾花数据集进行分析,并可视化其决策边界。

Fowlkes-Mallows指数计算

本文介绍了Fowlkes-Mallows指数的计算方法,这是一种衡量两个聚类结果相似度的指标。

层次聚类算法与度量方式

本页面展示了不同度量方式对层次聚类算法的影响,包括欧几里得距离、曼哈顿距离和余弦距离。

流形学习技术在球面数据集上的应用

本文介绍了流形学习技术在球面数据集上的应用,并通过降维技术将数据集投影到二维空间,以获得直观的理解。

精确度-召回率曲线计算

本文介绍了如何计算精确度和召回率,以及如何为二分类任务绘制精确度-召回率曲线。

特征聚合示例

本页面展示了如何使用特征聚合技术将相似的特征合并在一起,并通过Python代码和图表进行演示。

高斯混合模型可视化

本网页展示了如何使用Python中的matplotlib和sklearn库来生成和可视化两个不同中心和协方差矩阵的高斯分布数据,并拟合高斯混合模型。

人脸特征的在线学习

本网页展示了如何使用scikit-learn的在线API来通过分块处理大型数据集,以学习一组构成人脸的图像块。

数据集生成:圆形数据集

本页面介绍了如何生成一个包含内圈和外圈的圆形数据集,用于可视化聚类和分类算法的效果。

受限玻尔兹曼机与逻辑回归分类器

本文介绍了如何使用受限玻尔兹曼机(RBM)进行特征提取,并结合逻辑回归分类器进行手写数字识别。

数据降维与分类示例

本页面展示了如何使用随机森林和贝叶斯分类器在高维稀疏数据上进行降维和分类。

支持向量回归模型比较

本文介绍了使用不同的核函数进行支持向量回归(SVR)的比较,包括线性核、多项式核和RBF核。

指数卡方核函数解析

本文详细介绍了指数卡方核函数的计算方法和应用场景,包括其数学表达式、参数说明以及实际的代码示例。

使用scikit-learn的评分器衡量模型性能

本文介绍了如何使用scikit-learn库中的评分器(scorer)来衡量模型性能。

局部异常因子(LOF)算法在新颖性检测中的应用

本文介绍了局部异常因子(LOF)算法在新颖性检测中的应用,包括算法原理、参数设置、代码实现和结果展示。

模型正则化对误差的影响

本网页介绍了线性模型中正则化参数对训练和测试误差的影响,并展示了如何通过验证曲线确定最优正则化参数,以及如何比较真实系数和估计系数。

支持向量机(SVM)核函数练习

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。

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