本页面展示了一个二维分类示例,其中预测概率的等概率线被清晰地描绘出来。通过学习核函数,我们能够预测分类结果,并展示出分类边界。
本页面展示了如何使用Python和matplotlib库来可视化最近邻分类器的决策边界,并比较了不同压缩阈值对分类准确率的影响。
本文通过Elastic-Net回归模型探讨了正则化参数对训练和测试数据集性能的影响,并使用解释方差R^2作为性能度量。
本文比较了随机森林(RF)和直方图梯度提升树(HGBT)模型在回归数据集上的得分和计算时间。
本指南旨在帮助开发者了解如何为开源项目贡献代码,报告问题,并参与项目的持续集成和性能监控。
本文介绍了目标编码器的内部交叉拟合机制,以及它如何帮助防止机器学习模型过拟合。通过构建合成数据集,展示了目标编码器在有无交叉拟合时对模型性能的影响。
本文介绍了如何使用scikit-learn框架来创建自定义评估器,并检查模型是否已经拟合。
本文探讨了t-SNE和LLE两种流形学习技术在Swiss Roll数据集上的表现,并分析了它们在数据中添加空洞时的处理方式。
本页面介绍了F-beta得分的计算方法和参数,以及如何在不同情况下使用该得分来评估分类模型的性能。
本网页展示了在二维数字数据集上应用不同层次聚类方法的可视化效果,包括ward、average、complete和single等链接策略。
本文介绍了如何设置scikit-learn库的全局配置,包括参数验证、内存使用、输出格式等,旨在提高机器学习任务的效率和性能。
本网页介绍了如何使用PCA和核PCA对USPS数字数据集进行去噪和重建。
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。
本文介绍了如何生成多标签数据集,并使用PCA和CCA进行降维,最后通过SVM进行分类。
本网页展示了如何使用岭回归来近似一个函数,通过多项式和样条插值方法。
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。
本文介绍了如何将PCA和逻辑回归结合起来,通过管道化的方式进行数据的维度降低和分类预测。
本文介绍了Scikit-learn工具包中的内部实用工具,包括数据验证、随机抽样、线性代数计算等。
本文介绍了一种基于局部异常因子(LOF)的无监督异常检测方法,该方法通过计算给定数据点与其邻居的局部密度偏差来识别异常值。
本页面展示了如何在使用支持向量分类器(SVC)之前进行单变量特征选择以提高分类分数。我们使用鸢尾花数据集,并添加了36个非信息性特征。
本文介绍了如何使用机器学习库中的函数来验证模型是否已经拟合,并提供了相应的代码示例。
本页面展示了OPTICS聚类算法的工作原理,包括数据生成、算法应用以及结果的可视化展示。
本文介绍了一种评估降维后数据信任度的方法,该方法基于局部结构的保留程度,适用于多种降维技术。
本文探讨了在支持向量机中如何通过调整样本权重来影响决策边界的形状,特别是对异常值的影响。
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。
本网页展示了如何计算Lasso、Lasso-LARS和Elastic Net正则化路径上的系数。
本文介绍了平衡准确率的概念,它用于处理二分类和多类分类问题中的数据不平衡问题,定义为每个类别召回率的平均值。
本文通过一个简单的数据集,展示了在目标变量与数据中的某些低方差方向强相关时,偏最小二乘回归(PLS)如何优于主成分回归(PCR)。
本网页介绍了偏最小二乘回归分析的基本概念,包括PLS1和PLS2的区别,以及如何使用Python进行CCA分析。
本网页展示了如何使用基于哈维森距离度量的布朗树对地理空间数据进行核密度估计。