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。

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。

特征选择与聚合的比较

本文比较了两种降维策略:单变量特征选择与方差分析和特征聚合与Ward层次聚类。这两种方法在回归问题中使用贝叶斯岭作为监督估计器进行比较。

模型复杂度与交叉验证得分的平衡

本网页探讨了如何在模型复杂度和交叉验证得分之间找到平衡,通过调整PCA组件的数量来实现。

教育经济学中的因果效应分析

本文通过模拟数据来探讨教育经济学中的一个重要问题:大学学位对小时工资的因果效应。

数组转换为浮点数数组

介绍如何将数组转换为浮点数数组,包括参数说明、返回值和示例代码。

数据点间传递消息的聚类分析

本文介绍了一种基于数据点间传递消息的聚类方法,使用Affinity Propagation算法进行样本数据的聚类,并评估聚类效果。

流形学习技术比较

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。

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。

多标签分类数据可视化

本页面展示了如何使用Python和matplotlib库来可视化多标签分类数据。

人脸数据集加载指南

本网页介绍了如何加载和使用Labeled Faces in the Wild (LFW)人脸数据集,包括数据集的参数设置和使用示例。

线性模型与网格搜索

本文介绍了如何使用GridSearchCV进行线性模型的参数优化,并通过matplotlib进行结果可视化。

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。

Lasso模型选择:AIC与BIC标准

本网页介绍了如何使用AIC和BIC标准来选择最佳的Lasso回归模型,并提供了相应的Python代码示例。

交叉验证预测方法

本网页介绍了交叉验证预测方法,包括数据分割策略、参数设置以及如何使用这种方法来评估机器学习模型的泛化性能。

半监督学习:标签传播模型在手写数字分类中的应用

本文介绍了如何使用标签传播模型在只有少量标签的情况下对手写数字数据集进行分类。

高斯混合模型置信椭圆绘制

本页面展示了如何使用期望最大化和变分推断方法,结合狄利克雷过程先验,绘制两个高斯分布混合的置信椭圆。

特征离散化与线性分类器的性能

本文探讨了特征离散化技术如何影响线性分类器在不同数据集上的性能表现。

数据集生成:圆形数据集

本页面介绍了如何生成一个包含内圈和外圈的圆形数据集,用于可视化聚类和分类算法的效果。

糖尿病数据集的LASSO路径计算

本文介绍了如何使用LASSO方法计算糖尿病数据集的正则化路径,并展示了系数向量随正则化参数变化的可视化结果。

交叉验证预测误差可视化

本网页展示了如何使用scikit-learn库中的cross_val_predict函数与PredictionErrorDisplay工具来可视化预测误差。

一维核密度估计示例

本页面展示了一维核密度估计的原理和实现,包括直方图的局限性和不同核函数的应用。

贝叶斯高斯混合模型分析

本网页探讨了贝叶斯高斯混合模型中权重浓度先验的不同类型对模型拟合数据的影响。通过比较Dirichlet分布先验和Dirichlet过程先验,展示了模型如何自动适应混合成分的数量,并分析了不同浓度先验值对模型结果的影响。

最近质心分类法示例

本网页展示了如何使用最近质心分类法对iris数据集进行分类,并绘制了决策边界。

皮尔逊相关系数计算

本文介绍了如何使用皮尔逊相关系数来评估特征与目标变量之间的线性关系,并提供了相应的Python代码示例。

Scikit-learn 全局配置管理器

本文介绍了如何使用Scikit-learn的全局配置管理器来优化机器学习模型的性能和内存使用。

K均值与二分K均值聚类算法性能比较

本网页展示了常规K均值聚类算法与二分K均值聚类算法之间的差异,并提供了代码示例和可视化图表。

特征量化变换方法

本文介绍了一种基于分位数信息的特征变换方法,旨在将特征变换为均匀或正态分布,以减少异常值的影响并提高不同尺度变量的可比性。

模型评估指标指南

本指南提供了模型评估中使用的各类指标的详细说明,包括分类、回归、聚类和双聚类评估指标。

计算成对距离

本页面介绍如何使用成对距离计算方法来计算两个数组之间的距离。

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