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。

Huber回归与岭回归比较

本文通过生成包含异常值的数据集,比较了Huber回归和岭回归在处理异常值时的表现。

雅卡尔相似系数计算指南

本指南详细介绍了如何使用雅卡尔相似系数来评估分类模型的性能,包括参数设置、代码示例和不同情况下的计算方法。

数据科学中的无监督学习技术

本文介绍了数据科学中无监督学习的各种技术,包括降维、聚类、双聚类、信号分解、协方差估计、异常检测和密度估计等。

自训练分类器阈值影响分析

本文通过乳腺癌数据集演示了自训练分类器在不同阈值设置下的效果。

图形Lasso算法介绍

本文介绍了图形Lasso算法,这是一种用于估计稀疏协方差矩阵的L1惩罚估计器。

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。

调整兰德指数(ARI)在聚类评估中的应用

本文介绍了调整兰德指数(Adjusted Rand Index, ARI)的概念、计算方法和在聚类评估中的应用。

手写数字识别示例

使用Python和机器学习库对8x8像素的手写数字图像进行分类和识别。

构建标签关系矩阵

本文介绍了如何使用sklearn.metrics.cluster中的contingency_matrix函数来构建描述真实标签与预测标签之间关系的矩阵。

马氏距离与高斯分布数据

本文介绍了如何使用马氏距离来衡量高斯分布数据中单个观测值与分布模式之间的距离,并讨论了稳健协方差估计器在处理异常值时的优势。

数据划分与模型验证

本文介绍了如何使用scikit-learn库进行数据划分和模型验证,包括不同的交叉验证方法和它们的可视化展示。

数据重采样方法

本文介绍了一种在机器学习中常用的数据重采样方法,包括参数说明、代码示例和使用场景。

鲁棒协方差估计与经验协方差估计的比较

本文比较了在数据集中存在异常值时,使用鲁棒估计器和经验估计器对协方差矩阵进行估计的效果。

多标签排序问题的平均精度计算

本文介绍了多标签排序问题中的评估指标——平均精度(LRAP),并提供了使用Python计算LRAP的示例代码。

使用预计算的Gram矩阵和加权样本拟合ElasticNet

本教程展示了如何在使用加权样本的同时,预计算Gram矩阵来拟合ElasticNet模型。

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。

Scikit-learn 数据目录设置

本文介绍了如何设置和使用Scikit-learn的数据目录,包括默认路径、环境变量设置、程序设置以及示例代码。

AdaBoost分类器示例

本页面展示了如何使用AdaBoost分类器对非线性可分数据集进行分类,并绘制了决策边界和决策分数的分布图。

谱聚类算法在数据子集分析中的应用

本文介绍了谱聚类算法在数据分析中的应用,特别是如何通过同时考虑数据矩阵的行和列来识别数据中的局部结构。

图像去噪:使用核主成分分析

本文介绍了如何使用核主成分分析(KernelPCA)对图像进行去噪处理,并通过比较精确重建和核PCA重建的结果,展示了去噪效果。

二元分类任务的错误率计算

本页面介绍了如何计算二元分类任务在不同概率阈值下的错误率,包括假阳性率(FPR)和假阴性率(FNR),并提供了相应的代码示例。

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。

机器学习可视化API使用示例

本网页介绍了如何使用机器学习可视化API来比较ROC曲线,并展示了如何加载数据、训练支持向量分类器和随机森林分类器,以及如何绘制ROC曲线。

手写数字识别示例

本示例展示了如何使用scikit-learn库来识别0到9的手写数字图像。

多标签混淆矩阵计算方法

本文介绍了如何使用sklearn库中的multilabel_confusion_matrix函数来计算多标签混淆矩阵,用于评估分类模型的准确性。

非负矩阵分解(NMF)技术介绍

本文介绍了非负矩阵分解(NMF)技术,这是一种用于数据降维、源分离或主题提取的数学方法。

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。

随机森林与多输出回归估计器的比较

本文通过一个实例比较了随机森林回归器和多输出回归估计器的性能。

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。

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