稳健协方差估计与马氏距离的相关性

本文介绍了在高斯分布数据中使用稳健协方差估计和马氏距离来识别异常值和进行数据聚类。

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。

交叉验证评估模型性能

本文介绍了如何使用scikit-learn库中的cross_validate函数来评估机器学习模型的性能,包括参数设置和使用示例。

正交匹配追踪算法在信号恢复中的应用

本文介绍了使用正交匹配追踪算法从带有噪声的测量中恢复稀疏信号的过程,包括算法的实现和结果展示。

梯度提升树的OOB估计

本文介绍了梯度提升树中OOB估计的概念、计算方法以及如何使用OOB估计来确定模型的最佳迭代次数。

图像硬币分割的分层聚类分析

本页面展示了如何使用Ward分层聚类算法对硬币图像进行分割处理,并通过代码示例和结果展示详细说明了聚类过程和效果。

数组转换为浮点数数组

介绍如何将数组转换为浮点数数组,包括参数说明、返回值和示例代码。

核函数计算指南

本文介绍了如何使用核函数计算两个数组之间的相似性,包括线性、多项式、径向基函数等不同核函数的使用。

预测误差可视化

本文介绍了如何使用线性回归模型对糖尿病数据集进行预测,并使用交叉验证方法来可视化预测误差。

机器学习模型评估与优化

本文介绍了机器学习中模型评估和优化的多种方法,包括交叉验证、超参数优化、ROC曲线等关键概念和技术。

多类别稀疏逻辑回归在20newsgroups数据集上的比较

本文比较了在20newsgroups数据集上,使用L1正则化的多类别逻辑回归与一对一逻辑回归的性能。

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。

分类报告生成器

这个工具可以生成一个文本报告,展示主要的分类指标,包括精确度、召回率、F1分数和支持度。

Scikit-learn 估计器概览

本文介绍了如何使用Scikit-learn库中的函数来检索所有继承自BaseEstimator的估计器类。

单调约束对梯度提升估计器的影响

本网页通过构建人工数据集,展示了单调约束在梯度提升估计器中的应用及其对模型预测的影响。

平均精度(AP)计算方法

本页面介绍了如何计算平均精度(AP),包括其公式、参数和在机器学习中的应用示例。

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。

手写数字识别数据集使用指南

本文介绍了如何使用scikit-learn库中的手写数字数据集进行机器学习任务,包括数据加载、图像展示以及相关参数说明。

多维尺度分析与非度量多维尺度分析

本文介绍了如何使用Python进行多维尺度分析(MDS)和非度量多维尺度分析(NMDS),并通过代码示例展示了两种方法在数据可视化中的应用。

随机森林与多输出回归器的比较

本文介绍了如何使用随机森林回归器和多输出回归器进行多目标回归分析。通过比较这两种方法,我们可以了解它们在预测多个输出时的效能和偏差。

高斯过程回归中的噪声水平估计

本文介绍了如何使用高斯过程回归(GPR)来估计数据中的噪声水平,并强调了核函数超参数初始化的重要性。

计算科恩卡帕系数

本文介绍了如何使用科恩卡帕系数来衡量两个标注者在分类问题上的一致性水平。

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。

径向基函数核的显式特征映射近似

本文介绍了如何使用RBFSampler和Nystroem方法来近似径向基函数核的特征映射,并在手写数字数据集上使用SVM进行分类。

协方差估计与正则化

本网页介绍了在统计学中如何使用最大似然估计来计算协方差,并通过正则化来减少其方差,同时介绍了几种不同的正则化参数设置方法。

线性与二次判别分析比较

本文介绍了线性判别分析(LDA)和二次判别分析(QDA)在不同数据集上的表现,并通过可视化展示了两种方法的决策边界和协方差椭球。

部分依赖图可视化API

本网页展示了如何使用Python的scikit-learn库中的PartialDependenceDisplay对象来绘制和自定义部分依赖图。

协方差估计与分类性能提升

本网页探讨了Ledoit-Wolf和Oracle Approximating Shrinkage (OAS)估计器如何提升分类性能。

逻辑回归与线性回归模型比较

这篇文章通过生成一个简单的数据集,展示了如何使用逻辑回归和线性回归模型对数据进行分类,并比较了两种模型的效果。

随机梯度下降的早期停止策略

本文介绍了随机梯度下降(SGD)的早期停止策略,这是一种在训练过程中,通过监控验证集的预测分数来提前结束训练,以防止过拟合并提高模型泛化能力的方法。

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