加权样本的决策函数图

本文介绍了如何使用Python的scikit-learn库来绘制加权样本的决策函数图。通过调整样本权重,观察模型决策边界的变化。

岭回归系数分析

本页面介绍了岭回归中系数的变化情况,并展示了如何通过调整正则化参数来平衡模型的偏差和方差。

糖尿病数据集的交叉验证练习

本教程介绍了如何使用交叉验证和线性模型对糖尿病数据集进行模型选择和参数调优。

图像量化压缩示例

本网页展示了如何使用Python和SciPy对图像进行量化压缩,包括原始图像的加载、信息检查、量化压缩过程以及压缩效果的展示。

非线性降维技术比较

本网页旨在比较两种流行的非线性降维技术:t-SNE和LLE,并探讨它们在添加数据空洞时的表现。

数据标准化处理

本页面介绍了数据标准化的概念、方法以及在机器学习中的应用。

支持向量机(SVM)中的正则化参数C

本文介绍了支持向量机(SVM)中正则化参数C的作用,并通过代码示例展示了不同C值对模型的影响。

scikit-learn 1.2版本发布亮点

本文介绍了scikit-learn 1.2版本的新特性、改进和bug修复。

混淆矩阵计算与评估

本文介绍了混淆矩阵的概念、计算方法以及在机器学习分类任务中的应用,并通过代码示例展示了如何使用混淆矩阵来评估分类模型的准确度。

数组或稀疏矩阵的阈值化处理

本页面介绍了如何使用sklearn库对数组或稀疏矩阵进行阈值化处理,包括参数说明、返回值以及示例代码。

决策树在鸢尾花数据集上的应用

本页面展示了如何利用决策树算法在鸢尾花数据集上进行特征组合和决策边界的绘制。

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。

约翰逊-林登斯特劳斯引理与随机投影

本网页介绍约翰逊-林登斯特劳斯引理,并通过随机投影技术展示如何在保持数据对之间距离的同时降低数据集的维度。

协方差估计方法比较

本网页介绍了Ledoit-Wolf和OAS两种协方差估计方法,并比较了它们在高斯分布数据下的均方误差。

数据验证助手函数

本页面介绍了一个用于验证输入数据并设置或检查特征名称和数量的助手函数。适用于需要输入验证的估计器。

KMeans聚类分析与轮廓系数评估

本文介绍了如何使用轮廓系数来评估KMeans聚类算法的效果,并通过数据可视化展示了不同聚类数量下的结果。

scikit-learn工具和函数介绍

本页面介绍了scikit-learn库中用于数据科学和机器学习的各种工具和函数。

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。

支持向量机(SVM)的平局破解示例

本文介绍了在多类分类问题中,支持向量机(SVM)的平局破解参数break_ties对决策边界的影响。

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。

生成随机回归问题

本页面介绍了如何使用scikit-learn库生成随机回归问题,包括参数设置和示例代码。

K-Means算法初始化策略的影响评估

本文评估了不同的K-Means算法初始化策略对于算法收敛鲁棒性的影响,通过分析聚类中心的相对标准偏差来衡量。

机器学习算法可视化

本页面展示了如何使用Python的matplotlib库和numpy库来可视化机器学习中的L1和L2正则化以及弹性网络算法。

K-Means聚类算法演示

本页面展示了K-Means聚类算法在手写数字数据集上的应用,包括不同初始化策略的比较、聚类质量评估以及结果的可视化展示。

使用类似NumPy的API进行数组操作库

本网页介绍了如何使用类似NumPy的API进行数组操作,并展示了如何在scikit-learn中使用CuPy和PyTorch等库进行数据操作。

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。

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。

高斯混合模型与狄利克雷过程模型比较

本网页介绍了高斯混合模型(GMM)和贝叶斯高斯混合模型(使用狄利克雷过程作为先验)的比较,包括它们的工作原理和在低维空间中的可视化展示。

等渗回归分析

本文介绍了等渗回归算法,该算法在最小化训练数据的均方误差的同时,寻找函数的非递减近似。与线性回归模型相比,等渗回归作为一种非参数模型,除了单调性外,不假设目标函数的任何形状。

机器学习库scikit-learn 1.0版本更新概览

本文介绍了scikit-learn 1.0版本的新特性、改进和bug修复,包括API的变化、新引入的变换器和回归器等。

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