本页面介绍了Top-k准确率评分的概念、参数、返回值以及示例代码。
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。
本页面介绍了F1分数的计算方法,包括其定义、公式、参数以及在不同情况下的应用。
局部异常因子(LOF)是一种无监督异常检测方法,用于计算给定数据点相对于其邻居的局部密度偏差。本文介绍了如何在scikit-learn中使用LOF进行异常检测,并展示了如何生成带有异常值的数据集,拟合模型并绘制结果。
本文通过生成不同密度的数据集,使用OPTICS算法的Xi聚类检测方法和设置特定的可达性阈值来模拟DBSCAN算法,展示了不同阈值下DBSCAN算法的聚类效果。
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。
本文比较了在Iris数据集上使用半监督分类器Label Spreading、Self-training和SVM生成的决策边界。
本页面展示了如何使用谱聚类共簇算法生成数据集并进行双聚类分析。
本文介绍了如何使用因子分析和主成分分析(PCA)来探索鸢尾花数据集中的潜在模式,并展示了如何通过旋转来优化数据的可视化效果。
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。
本文介绍了Pinball Loss在量化回归中的应用,包括其参数设置、计算方法和示例代码。
本网页旨在比较MiniBatchKMeans和BIRCH两种聚类算法在合成数据集上的性能。
本页面介绍了如何计算曲线下面积(AUC)以及ROC曲线的基本概念和应用。
本网页通过置换测试评估分类得分的重要性,使用iris数据集进行演示。
本文介绍了使用葡萄酒数据集进行异常检测和数据结构理解的分析方法,包括经验协方差估计、稳健协方差估计和单类支持向量机的应用。
本文介绍了如何使用HalvingGridSearchCV和GridSearchCV进行参数优化,并比较了两者的性能。
本文介绍了独立成分分析(ICA)技术在处理噪声数据源分离问题中的应用,通过模拟三个乐器同时演奏并被三个麦克风记录的场景,展示了如何使用FastICA算法来恢复每个乐器的原始信号。
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。
本教程介绍了如何使用PCA和SVM对人脸数据集进行特征提取和分类。
本文介绍了如何在Python中使用CSR或CSC格式的稀疏矩阵进行行缩放操作。
本网页介绍了使用字典学习进行图像去噪的方法,并通过实验比较了不同的变换方法在重建噪声图像时的效果。
本文介绍了如何使用不同的嵌入技术对数字数据集进行处理,并比较了各种方法的效果。
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。
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。
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。
本页面介绍了如何使用特定的算法来计算一组点与另一组点之间的最小距离。
本文介绍了如何使用Pytest的装饰器来参数化估计器检查,确保估计器遵循scikit-learn的约定。
本网页探讨了Ledoit-Wolf和Oracle Approximating Shrinkage (OAS)估计器如何提升分类性能。
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。
本网页介绍了使用不同机器学习模型对新闻组数据集进行文本分类的实验结果。