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。

稳健回归估计器:Theil-Sen与OLS和RANSAC的比较

本文比较了Theil-Sen估计器与OLS和RANSAC估计器在处理异常值时的性能,并提供了Python代码示例。

稳健协方差估计器:最小协方差行列式估计器

本文介绍了最小协方差行列式估计器(MCD),这是一种在数据集中存在异常值时,用于估计协方差矩阵的稳健方法。

正则化参数优化与模型性能

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。

物种分布数据集加载器

本页面介绍了如何使用scikit-learn库中的函数加载物种分布数据集,并提供了详细的参数说明和示例代码。

RBF核函数与SVM分类器的近似特征映射

本网页介绍了如何使用RBFSampler和Nystroem近似RBF核函数的特征映射,并在手写数字数据集上使用SVM进行分类。比较了在原始空间中使用线性SVM、使用近似映射的线性SVM以及核化SVM的结果。

V-Measure聚类评估指标

V-Measure是一种用于评估聚类效果的外部指标,它综合了同质性和完备性两个维度,提供了一个介于0到1之间的评分,以衡量聚类的质量。

稀疏编码信号生成示例

本页面展示了如何使用sklearn库中的make_sparse_coded_signal函数生成稀疏编码信号,包括数据集、字典和编码矩阵的生成过程。

Huber回归与岭回归的比较

本文通过生成的回归数据集,展示了Huber回归和岭回归在面对异常值时的不同表现,并分析了Huber回归参数epsilon对模型的影响。

在线求解器性能比较

本网页展示了不同在线求解器在手写数字数据集上的性能比较。

决策树剪枝与成本复杂性剪枝

本文介绍了如何使用成本复杂性剪枝来控制决策树的规模,并通过实例代码展示了不同ccp_alpha值对决策树的影响。

机器学习策略对比

本文探讨了不同的机器学习策略,包括SGD和Adam,以及它们在不同数据集上的表现。

Oracle Approximating Shrinkage算法详解

本文介绍了Oracle Approximating Shrinkage算法,这是一种用于估计协方差的技术,广泛应用于数据科学和机器学习领域。

神经网络学习行为分析

本文通过分析神经网络的权重,探讨学习行为,使用MNIST数据集训练MLP分类器,并通过可视化权重矩阵来理解学习过程。

数据可视化示例

本页面展示了使用matplotlib和sklearn库生成的多种数据可视化图表,包括不同特征数量和类别的数据点分布图。

不同聚类算法的比较分析

本文通过生成的二维数据集,比较了多种聚类算法的特性和效果,包括参数敏感度和对不同数据结构的适应性。

线性支持向量机分类器中的分隔超平面

本页面展示了如何使用随机梯度下降(SGD)训练线性支持向量机(SVM)分类器,并绘制出在两个类别可分数据集中的最大分隔超平面。

使用set_output API配置Transformer输出Pandas DataFrame

本文介绍了如何使用set_output API来配置scikit-learn中的Transformer,使其输出Pandas DataFrame,便于数据分析和可视化。

Scikit-learn工具包内部实用工具介绍

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。

特征选择与聚合方法比较

本文比较了在贝叶斯岭回归问题中,单变量特征选择和特征聚合方法的效果。

模型验证与参数调优指南

本网页介绍了模型验证和参数调优的基本概念、方法以及相关工具的使用,旨在帮助用户更好地评估和优化机器学习模型。

MaxAbsScaler 数据标准化处理

本文介绍了MaxAbsScaler的作用、参数、使用注意事项以及示例代码。MaxAbsScaler是一种将数据特征缩放到[-1, 1]范围内的标准化方法,适用于机器学习和数据科学领域。

逻辑回归与线性回归模型对比

本文通过一个合成数据集,展示了逻辑回归和线性回归模型如何对数据进行分类。

计算加法卡方核

本文介绍了加法卡方核的计算方法,这是一种在机器学习中用于特征数组比较的核方法。

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。

二元分类数据生成

本页面介绍了如何生成用于二元分类的样本数据,这些数据基于标准独立高斯分布,并根据特定的规则定义目标变量。

随机投影技术在高维数据集中的应用

本网页介绍了随机投影技术在高维数据集中的应用,包括理论基础、代码实现和实验验证。

单类SVM异常检测示例

本页面展示了如何使用单类SVM进行异常检测,包括数据生成、模型训练、预测及结果可视化。

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。

K-Means与MiniBatchKMeans聚类算法性能比较

本文对比了K-Means和MiniBatchKMeans两种聚类算法的性能,并展示了如何生成数据集、执行聚类以及结果的可视化。

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